Upload
others
View
16
Download
0
Embed Size (px)
Citation preview
UNIVERZITET SV. KIRIL I METODIJ\ - SKOPJE
Prirodno-matematiqki fakultet
Dragan Dimitrovski
Vesna Manova-Erakovik
Gorgi Markoski
MATEMATIKA II
(ZA STUDENTITE PO BIOLOGIJA)
Skopje, 2017
Izdavaq:
Univerzitet Sv. Kiril i Metodij\ vo Skopje
Bul. Goce Delqev br. 9, 1000 Skopje
Urednik za izdavaqkata dejnost na UKIM:
prof. d-r Nikola Jankulovski, rektor
Urednik na publikacijata:
Dragan Dimitrovski , Vesna Manova-Erakovik, Gorgi Markoski,
Prirodno-Matematiqki fakultet, Skopje
Recenzenti:
1. Prof. d-r Nikita Xekutkovski, Redoven profesor na PMF,
Skopje
2. Prof. d-r Valentina Miovska, Vonreden profesor na PMF,
Skopje
3. Prof. d-r Dana Prelik, Redoven profesor na PMF, Skopje
Tehniqka obrabotka: Avtorite
Lektura na makedonski jazik: Violeta Jovanovska
CIP - Katalogizacija vo publikacija
Nacionalna i univerzitetska biblioteka Sv. Kliment Ohridski\, Skopje
517.3(075.8)
519.9(075.8)
519.2(075.8)
DIMITROVSKI, Dragan
Matematika II: (za studentite po biologija) / Dragan Dimitrovski, Vesna
Manova-Erakovik, Gorgi Markoski. - Skopje: Univerzitet Sv. Kiril i Metodij\,
Prirodno-matematiqki fakultet, 2018. - 364 str.: ilustr.; 25 sm
Bibliografija: str. 358-359
ISBN 978-9989-43-407-5
1. Manova-Erakovik, Vesna [avtor] 2. Markoski, Gorgi [avtor]
a) Integralno smetanje - Visokoxkolski uqebnici b) Diferencijalni ravenki - Vi-
sokoxkolski uqebnici v) Verojatnost i statistika - Visokoxkolski uqebnici
COBISS.MK-ID 106748682
PREDGOVOR
Ovaa kniga, pred se e nameneta za predmetot matematika za stu-
dentite po biologija. Megutoa, moe da ja koristat i studentite
od tehniqkite fakulteti, i site onie koi go izuquvaat materi-
jalot opfaten vo ovaa kniga.
Knigava e rezultat na povekegodixnite predavanja i vebi koi
gi odruvale avtorite na studentite po biologija i studiite kade
se predava ovoj materijal.
Opfateni se temite integralno smetanje, diferencijalni rave-
nki, verojatnost i statistika.
Pritoa, teoretskite sodrini se ilustrirani so golem broj
primeri.
Niz celata kniga, posebno vnimanie e posveteno na zadaqi koi
se sretnuvaat vo prirodata, osobeno vo biologijata.
Osobeno im se zablagodaruvame na recenzentite na ovaa kniga,
koi so svoite komentari i zabelexki mnogu pridonesoa za nejzino
podobruvanje.
Ke bideme blagodarni na site qitateli koi so svoite sugestii
ke pridonesat za idni podobruvanja na ovaa kniga.
Na site qitateli im posakuvame uspexno navleguvanje vo tajnite
na matematikata, preku ovaa kniga i uspexno sovladuvanje na nej-
zinite sodrini.
Skopje, 2017 Avtorite
1
INTEGRALNO SMETANjE
1.1 Neopredelen integral
1.1.1 Primitivna funkcija i neopredelen integral
Da ja razgledame funkcijata f(x) = x3. Taa e neprekinata i
diferencijabilna funkcija, za sekoj x ∈ R. Izvodot od f(x) = x3
e f ′(x) = 3x2. Lesno se proveruva deka i funkciite x3 + 3, x3 −√
2,
x3 + e isto taka imaat izvod ednakov na 3x2.Problemot na naoganje
na funkciite, qij izvod e ednakov na 3x2 ima beskoneqno mnogu
rexenija. Site tie rexenija gi narekuvame primitivni funkcii
na funkcijata 3x2. Opxto, ako e dadena nekoja funkcija g(x), i
ako postoi funkcija f(x) takva xto f ′(x) = g(x), togax postojat
beskoneqno mnogu funkcii t.e. site funkcii hc(x) = f(x) + c, c ∈R, takvi xto h′
c(x) = g(x).
Site ovie funkcii se narekuvaat primitivni funkcii na
f(x).
Definicija. Neka funkcijata y = g(x), x ∈ D e neprekinata
na intervalot (a, b) ⊆ D. Velime deka funkcijata f(x) defini-
rana na (a, b) e primitivna funkcija na funkcijata g(x) ako e
diferencijabilna na (a, b) i ako vai
f ′(x) = g(x), ∀x ∈ (a, b).
5
6 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Primer 1. Funkcijata f(x) = sinx e primitivna funkcija na
funkcijata g(x) = cosx, ∀x ∈ R bidejki
f ′(x) = (sin x)′ = cosx = g(x), ∀x ∈ R.
No, i za sekoj c ∈R, fc(x) = sinx + c, x ∈ R, se primitivni funkcii
za g(x).
Primer 2. Funkcijata f(x) = ex e primitivna funkcija na
g(x) = ex, ∀x ∈ R bidejki f ′(x) = (ex)′ = ex = g(x), ∀x ∈ R.
No, i za sekoj c ∈R, i funkciite fc(x) = ex+c, c ∈ R, se primitivni
funkcii za g(x).
Primer 3. Funkcijata f(x) =xr+1
r + 1, r 6= −1 e primitivna funk-
cija na g(x) = xr, ∀x ∈ R bidejki
f ′(x) =(
xr+1
r+1
)′= (r+1)xr+1−1
r+1= xr = g(x), ∀x ∈ R.
No, i ovde, za sekoj c ∈R, funkciite fc(x) =xr+1
r + 1+ c, c ∈R se
primitivni funkcii za g(x).
Zabeleuvame, ako f(x) e primitivna funkcija za g(x), za x ∈ D,
togax i f(x) + c, kade c ∈ R e proizvolno izbran, se primitivni
funkcii za g(x), (na D), t.e. vai slednata teorema.
Teorema 1. Ako f(x) e primitivna funkcija na funkcijata g(x),
x ∈ D, togax i f(x) + c e primitivna funkcija na g(x), x ∈ D, za
sekoj proizvolno izbran realen broj c. Ako funkciite f(x) i h(x),
x ∈ D se primitivni funkcii na g(x), togax postoi realen broj c
taka xto vai
f(x) − h(x) = c, ∀x ∈ D.
Definicija. Mnoestvoto od site primitivni funkcii na
funkcijata g(x) se narekuva neopredelen integral na funkcijata
g(x) i se oznaquva so∫
g(x)dx.
Matematika II (za studenti po biologija) 7
Funkcijata g(x) se narekuva podintegralna funkcija, a g(x)dx
se narekuva podintegralen izraz.
Imajki ja predvid definicijata za neopredelen integral i teo-
remata se dobiva deka∫
g(x)dx = f(x) + c | c ∈ R, kade f(x) e
primitivna funkcija za g(x) t.e. f ′(x) = g(x), x ∈ D. Pokratko ke
zapixuvame:∫
g(x)dx = f(x) + c, c ∈ R, kade
f ′(x) = g(x), x ∈ D.
Operacijata so koja doagame do primitivna funkcija, odnosno
do neopredelen integral se vika integriranje.
Teorema 2. (a)
∫
g′(x)dx = g(x) + c, x ∈ D.
(b) Integral od zbir na dve funkcii ednakov na zbirot od
integralite na tie funkcii t.e.
∫
[f(x) + g(x)] dx =
∫
f(x)dx +
∫
g(x)dx, x ∈ D.
(v)
∫
[αf(x)dx] dx = α
∫
f(x)dx, α ∈R, x ∈ D.
Zabelexka. Vo gornata teorema se pretpostavuva deka neopre-
delenite integrali postojat.
Dokaz. (a) Tvdenjeto sleduva direktno od definicijata na neo-
predeln integral.
(b) Neka F (x) i G(x) se primitivni funkcii za f(x) i g(x),
soodvetno na D, t.e. F ′(x) = f(x), x ∈ D i G′(x) = g(x), x ∈ D.
Togax, (F + G)(x) = F (x) + G(x) e primitivna funkcija na (f +
g)(x) = f(x) + g(x), x ∈ D, bidejki: (F + G)′(x) = (F (x) + G(x))′ =
F ′(x) + G′(x) =
= f(x) + g(x) = (f + g)(x), x ∈ D.
8 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Od definicijata na neopredelen integral imame
∫
[f(x) + g(x)]dx = (F (x) + G(x)) + c =
∫
f(x)dx +
∫
g(x)dx.
(v) Neka F (x) e primitivna funkcija na f(x) za x ∈ D t.e.
F ′(x) = f(x), x ∈ D. Togax za α ∈ R, imame:
(αF )′(x) = (αF (x))′ = αF ′(x) = αf(x)
t.e. (αF )(x) = αF (x) e primitivna funkcija za (αf)(x) = αf(x),
x ∈ D.
Od definicijata za neopredelen integral, imame
∫
αf(x)dx = αF (x) + c = α(
F (x) +c
α
)
=
= α(F (x) + c1) = α
∫
f(x)dx.
Znaqi, za funkciite od primerite 1,2 i 3 imame:∫
cos xdx = sin x + c, x ∈R bidejki
(sinx)′ = cosx, ∀x ∈ R.
∫
exdx = ex + c, x ∈ R bidejki (ex)′ = ex, ∀x ∈ R.∫
xrdx =xr+1
r + 1+ c, x ∈ R (r 6= −1) bidejki
(xr+1
r+1
)′= (r+1)xz+1−1
r+1=
xr, ∀x ∈ R.
Primer 4.
∫1
1 + x2dx = arctgx + c, x ∈ R bidejki
(arctgx)′ =1
1 + x2, ∀x ∈R.
Primer 5.
∫x2
1 + x2dx =
∫x2 + 1 − 1
1 + x2dx =
∫ (x2 + 1
1 + x2− 1
1 + x2
)
dx =
=
∫ (
1 − 1
1 + x2
)
dxT.2=
∫
1 · dx−∫
1
1 + x2dx =
∫
x0dx−∫
1
1 + x2dx =
=
(x0+1
0 + 1− arctgx
)
+ c = x− arctgx + c.
Matematika II (za studenti po biologija) 9
1.1.2 Tablica na nekoi osnovni integrali
Imajki gi predvid izvodite na osnovnite elementarni fun-
kcii i definicijata za neopredelen integral se dobiva slednata
tablica na neopredeleni integrali.
10.
∫
xrdx =xr+1
r + 1+ c, (r 6= −1)
20.
∫1
xdx = ln |x| + c
30.
∫
ex = ex + c
40.
∫
sinxdx = − cosx + c
50.
∫
cos xdx = sinx + c
60.
∫1
cos2 xdx = tgx + c
70.
∫1
sin2 xdx = −ctgx + c
80.
∫1
1 + x2dx = arctgx + c
90.
∫1√
1 − x2dx = arcsinx + c
100.
∫
axdx =ax
ln a+ c, (a > 0, a 6= 1)
110.
∫
sinh xdx = cosh x + c
120.
∫
cosh xdx = sinh x + c
130.
∫1
cosh2 xdx = − tanh x + c
140.
∫1
sinh2 xdx = cothx + c
10 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
150.
∫1√
1 + x2dx = ln(x +
√1 + x2) + c
160.
∫1√
x2 − 1dx = ln(x +
√x2 − 1) + c
170.
∫1
1 − x2dx =
1
2ln
1 + x
1 − x+ c, |x| < 1
180.
∫1
1 − x2dx =
1
2ln
x + 1
x − 1+ c, |x| > 1
Zabelexka. Vo tablicata 10−180, c e proizvolen realen broj,
i istite vaat vo definicionata oblast na funkcijata kade pod-
integralnata funkcija e neprekinata, a primitivnata funkcija e
diferencijabilna.
Toqnosta na formulite 10 − 180 neposredno se proveruva. Za
ilustracija ke ja dokaeme 170.
Navistina, za |x| < 1,1 + x
1 − x> 0 bidejki
1 + x
1 − x> 0 ⇔ 1−x2 > 0 ⇔
x2 < 1 ⇔ |x| < 1.
Ponatamu imame(
1
2ln
1 + x
1 − x
)′=
1
2
11 + x
1 − x
(1 + x)′(1 − x)− (1 + x)(1 − x)′
(1 − x)2=
=1
2
1 − x
1 + x
1 − x + 1 + x
(1 − x)2=
1
2
1 − x
1 + x
2
(1 − x)2=
1
(1 + x)(1 − x)=
=1
1 − x2.
1.1.3 Integriranje so metod na zamena
Teorema 1. Neka funkcijata ϕ(t) definirana na (a, b) e pri-
mitivna na funkcijata f(t), t ∈ (a, b) i neka g : x 7→ g(x), x ∈ (c, d) ⊆(a, b) e diferencijabilna funkcija, ∀x ∈ (c, d). Togax postoi prim-
itivna funkcija na f(g(x))g′(x), ∀x ∈ (c, d) i pritoa vai
Matematika II (za studenti po biologija) 11
∫
f(g(x))g′(x)dx = ϕ(g(x)) + c
t.e. ∫
f(g(x))dg(x) = ϕ(g(x)) + c.
Zabelexka. Stavajki: g(x) = t, dobivame
∫
f(t)dt = ϕ(t) + c.
Dokaz. (ϕ g)(x) = ϕ(g(x))
Od (ϕ g)′(x) = (ϕ(g(x))′ = ϕ′(g(x))g′(x) = f(g(x))g′(x) sleduva
toqnosta na teoremata.
Primer 1.∫
(x + 2)5dx.
Rexenie. Ovde f (x) = x5 i ϕ (x) = x + 2. Znaqi voveduvame
smena x + 2 = t. Togax x = t− 2. Diferencirajki gi levata strana
po x a desnata po t, dobivame dx = dt. Zamenuvajki vo integralot
imame:∫
(x + 2)5dx =∫
t5dt = t6
6+ C = (x+2)6
6+ C.
Primer 2.∫
dx2x+7
.
Rexenie. Voveduvame smena 2x+7 = t. Togax x = t−72
i dx = 12dt.
Zamenuvajki vo integralot dobivame:∫
dx2x+7
= 12
∫dtt
= 12ln |t| + C = 1
2ln |2x + 7| + C.
Primer 3.∫
2xdx1+x2 .
Rexenie. Voveduvame smena 1 + x2 = t. Togax 2xdx = dt. Za-
menuvajki vo integralot dobivame:∫
2xdx1+x2 =
∫dtt
= ln |t| + C = ln(1 + x2) + C.
Primer 4.∫
dx4√
(3+4x)3.
Rexenie. Voveduvame smena 4
√
(3 + 4x)3 = t. Togax x = t43 −34
i
dx = 13t
13 dt. Zamenuvajki vo integralot dobivame:
∫dx
4√
(3+4x)3=∫ 1
3t13 dt
t= 1
3
∫t−
23 dt = t
13 + C = 4
√3 + 4x + C.
Primer 5.∫
exdx1+e2x .
12 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Rexenie. Voveduvame smena ex = t. Togax exdx = dt. Zamenu-
vajki vo integralot dobivame∫
exdx1+e2x =
∫dt
1+t2= arctg t + C = arctg(ex) + C.
Primer 6.∫
ax4x3dx, a > 0, a 6= 1.
Rexenie. Voveduvame smena x4 = t. Togax 4x3dx = dt, odnosno
x3dx = 14dt. Zamenuvajki vo integralot dobivame:
∫ax4
x3dx = 14
∫atdt = 1
4 lnaat + C = 1
4 lnaax4
+ C.
Primer 7.∫
cosxdx4+sin x
.
Rexenie. Voveduvame smena 4 + sinx = t. Togax cos xdx = dt.
Zamenuvame vo integralot i dobivame∫
cosx4+sinx
dx =∫
dtt
= ln |t| + C = ln (4 + sinx) + C.
Primer 8.∫
sin2xdx.
Rexenie.∫
sin2xdx =∫
12(1 − cos 2x) dx = 1
2
∫dx − 1
2
∫cos 2xdx =
12x− 1
2· 1
2sin 2x+C. Pritoa vo posledniot integral stavivme smena
t = 2x, od xto dobivame dx = 12dt.
Primer 9.∫
cos3xdx.
Rexenie.∫
cos3xdx =∫
cos2x cos xdx =∫
(1 − sin2x) cosxdx. Vove-
duvame smena sinx = t. Togax cosxdx = dt. Zamenuvajki vo posled-
niot integral dobivame:∫
(1 − sin2x) cosxdx =∫
(1 − t2)dt =
=∫
dt −∫
t2dt = t− 13t3 + C = sin x− 1
3sin3x + C.
Primer 10.∫
dx√b2−a2x2 , a, b > 0.
Rexenie. Integralot ke go dovedeme vo oblikot∫
dt√1−t2
.∫
dx√b2−a2x2 =
∫dx
r
b2“
1−(axb )
2”
= 1b
∫dx
q
1−(axb )
2 .
Voveduvame smena axb
= t. Togax dx = badt. Zamenuvajki vo
integralot, dobivame:1b
∫dx
q
1−(axb )
2 = 1b· b
a
∫dt√1−t2
= 1aarcsin t + C = 1
aarcsin ax
b+ C.
Primer 11.∫
dx√a2x2±b2
, a, b > 0.
Rexenie. Integralot ke go dovedeme vo oblikot∫
dt√t2±1
. Imame∫
dx√a2x2±b2
=∫
dxr
b2“
(axb )
2±1”
= 1b
∫dx
q
(axb )
2±1. Voveduvame smena ax
b= t.
Togax dx = badt. Zamenuvajki vo integralot, dobivame:
1b
∫dx
q
(axb )
2±1= 1
b· b
a
∫dt√t2±1
=
Matematika II (za studenti po biologija) 13
= 1aln∣∣t +
√t2 ± 1
∣∣ + C = 1
aln
∣∣∣∣axb
+√(
axb
)2 ± 1
∣∣∣∣+ C.
Primer 12.∫
dxb2+a2x2 , a, b > 0.
Rexenie. Integralot ke go dovedeme vo oblikot∫
dtt2+1
. Imame∫
dxb2+a2x2 =
∫dx
b2“
1+(axb )
2” = 1
b2
∫dx
1+(axb )
2 . Voveduvame smena axb
= t, pa
dx = badt. Zamenuvajki vo posledniot integral dobivame:
1b2
∫dx
1+(axb )
2 = 1b2· b
a
∫dt
1+t2= 1
abarctg t + C = 1
abarctg ax
b+ C.
Primer 13.∫
1x2−1
dx.
Rexenie.∫
1x2−1
dx = 12
∫ (1
x−1− 1
x+1
)dx = 1
2(ln |x − 1| − ln |x + 1|) + C =
= 12ln∣∣x−1x+1
∣∣ + C.
Primer 14.∫
dxa2x2−b2
, a, b > 0.
Rexenie.∫
dxa2x2−b2
=∫
dx
b2“
(axb )
2−1” = 1
b2
∫dx
(axb )
2−1. Ke vovedeme
smena axb
= t, pa dx = badt. Ottuka imame
1b2
∫dx
(axb )
2−1= 1
b2· b
a
∫dx
t2−1=
= 1ab
ln∣∣ t−1t+1
∣∣ + C = 1
abln∣∣∣
axb−1
axb
+1
∣∣∣ + C = 1
abln∣∣ax−bax+b
∣∣+ C
Primer 15.∫
dxax2+bx+c
, a > 0
a) ako b2 − 4ac > 0,
b) ako b2 − 4ac < 0.
Rexenie. Integralot ke go dovedeme vo eden od oblicite∫
dtt2+1
ili∫
dtt2−1
.∫
dxax2+bx+c
=∫
dx
(√
ax)2+2 b
2√
a
√ax+
“
b2√
a
”2−“
b2√
a
”2+c
=∫
dx“√
ax+ b2√
a
”2− b2−4ac
4a
a)∫
dx“√
ax+ b2√
a
”2− b2−4ac
4a
= 1b2−4ac
4a
·∫
dx √
ax+ b2√
a√b2−4ac
4a
!2
−1
. Voveduvame smena
t =√
ax+ b2√
aq
b2−4ac4a
, pa dx =
q
b2−4ac4a√a
dt i posledniot integral go dobiva
oblikot
14 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
√b2−4ac
4a√a
∫dt
t2 − 1=
√b2−4ac
4a√a
1
2ln
∣∣∣∣
t − 1
t + 1
∣∣∣∣+ C =
=
√
b2 − 4ac
4a2· 1
2· ln
∣∣∣∣∣∣∣∣
√ax+ b
2√
aq
b2−4ac4a
− 1
√ax+ b
2√
aq
b2−4ac4a
+ 1
∣∣∣∣∣∣∣∣
+ C =
=
√
b2 − 4ac
4a2· 1
2· ln
∣∣∣∣∣∣
√ax + b
2√
a−√
b2−4ac4a
√ax + b
2√
a+√
b2−4ac4a
∣∣∣∣∣∣
+ C.
b)∫
dx“√
ax+ b2√
a
”2− b2−4ac
4a
=∫
dx“√
ax+ b2√
a
”2+ 4ac−b2
4a
= 14ac−b2
4a
·∫
dx √
ax+ b2√
a√4ac−b2
4a
!2
+1
.
Voveduvame smena t =√
ax+ b2√
aq
4ac−b2
4a
. Togax dx =√
4ac−b2
4a2 dt, pa dobi-
vame1
4ac−b2
4a
·q
4ac−b2
4a√a
∫dt
t2+1= 1
4ac−b2
4a
·√
4ac−b2
4a2 arctg t + C =
= 4a4ac−b2
√4ac−b2
4a2 arctg√
ax+ b2√
aq
4ac−b2
4a
+ C.
Primer 16.∫
dxx2+2x+2
.
Rexenie.∫
dxx2+2x+2
=∫
(x+1)′dx
(x+1)2− 22−4·24
=∫
(x+1)′dx
(x+1)2+1=
=∫ (x+1)′dx
(x+1)2+1= arctg(x + 1) + C.
Primer 17.∫
dxx2+2x+1
.
Rexenie.∫
dxx2+2x+1
=∫
(x+1)′dx
(x+1)2− 22−4·14
=∫
(x+1)′dx
(x+1)2= − 1
(x+1)+ C.
Primer 18.∫
a1x+b1ax2+bx+c
dx, a, a1 6= 0.
Rexenie.∫
a1x+b1ax2+bx+c
dx = a112a
∫ 2ax+b+2ab1a1
−b
ax2+bx+cdx =
= a1
2a
∫2ax+b
ax2+bx+cdx + a1
2a
(2ab1a1
− b) ∫
1ax2+bx+c
dx = a1
2aI1 + a1
2a
(2ab1a1
− b)
I2.
Vo I1 voveduvame smena t = ax2 + bx + c i se sveduva na integral
od oblikot∫
dtt, a I2 e od oblikot
∫1
ax2+bx+cdx.
Primer 19.∫
Pn(x)ax2+bx+c
dx, kade Pn (x) e polinom so realni koe-
ficienti i stepen n ≥ 2 i a 6= 0.
Rexenie. Polinomot Pn (x) go delime so ax2 +bx+c i dobivame
Matematika II (za studenti po biologija) 15
koliqnik Qn−2 (x) i ostatok R (x). Pritoa koliqnikot e polinom
so stepen n − 2, a ostatokot e polinom so stepen 0 ili 1. Znaqi
Pn (x) = Qn−2 (x)(ax2 + bx + c
)+ R (x) .
Togax
∫Pn (x)
ax2 + bx + cdx =
∫
Qn−2 (x) dx +
∫a1x + b1
ax2 + bx + cdx,
pa∫
Qn−2 (x) dx e zbir od tabliqni integrali, a∫
a1x+b1ax2+bx+c
dx e ili
od oblikot∫
a1x+b1ax2+bx+c
dx, a1, a 6= 0 ili od oblikot∫
1ax2+bx+c
dx.
Primer 20.∫
5x6+7x5+2x4+3x+92x2+4x+6
dx.
Rexenie. Po delenjeto na polinomite dobivame 5x6 + 7x5 +
2x4 + 3x + 9 =(
52x4 − 3
2x3 − 7
2x2 + 23
2x − 25
2
)(2x2 + 4x + 6) − 16x + 84 pa
∫5x6+7x5+2x4+3x+9
2x2+4x+6dx =
∫ (52x4 − 3
2x3 − 7
2x2 + 23
2x− 25
2
)dx +
∫ −16x+842x2+4x+6
dx =
= 12x5 − 3
8x4 − 7
6x3 + 23
4x2 − 25
2x + I1.
Natamu, imame
I1 =
∫ −16x + 84
2x2 + 4x + 6dx =
= −4
∫4x + 4 − 4 − 21
2x2 + 4x + 6dx = −4
∫4x + 4
2x2 + 4x + 6dx + 100
∫dx
2x2 + 4x + 6=
= −4 ln∣∣2x2 + 4x + 6
∣∣ + 100
∫dx
(√2x)2
+ 2 1√22√
2x +(
2√2
)2
− 2 + 6=
= −4 ln∣∣2x2 + 4x + 6
∣∣ + 100
∫dx
(√2x +
√2)2
+ 4= −4 ln
∣∣2x2 + 4x + 6
∣∣+
+100
4
∫dx
(√2x+
√2
2
)2
+ 1=
= −4 ln∣∣2x2 + 4x + 6
∣∣ +
100
4· 2√
2arctg
√2x +
√2
2+ C.
Spored toa∫
5x6+7x5+2x4+3x+92x2+4x+6
dx = 12x5− 3
8x4− 7
6x3+ 23
4x2− 25
2x−4 ln |2x2 + 4x + 6|+
+ 50√2arctg
√2x+
√2
2+ C.
16 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Primer 21.∫
dx√4−x2 .
Rexenie.∫
dx√4−x2 =
∫ (x2 )
′dx
q
1−(x2 )
2 =arcsin x2
+ C.
Primer 22.∫
dx√3−x2 .
Rexenie.∫
dx√3−x2 =
∫“
x√3
”′dx
r
1−“
x√3
”2=arcsin x√
3+ C.
Primer 23.∫
dx√x2+25
.
Rexenie.∫
dx√x2+25
=∫ (x
5 )′dx
q
1+(x5 )
2 = ln∣∣x +
√x2 + 25
∣∣ + C.
Primer 24.∫
dx√x2−3
.
Rexenie.∫
dx√x2−3
=∫
“
x√3
”′dx
r
“
x√3
”2−1
= ln∣∣x +
√x2 − 3
∣∣ + C.
Primer 25.∫
dx√ax2+bx+c
a) ako a > 0;
b) ako a < 0.
Rexenie. Ovoj integral se sveduva na integrali od oblikot∫
dt√t2±1
,∫
dt√1±t2
, vo zavisnost od znakot na a i b2 − 4ac.
a)∫
dx√ax2+bx+c
=∫
dxr
(√
ax)2+2 b
2√
a
√ax+ b2
4a− b2
4a+c
= =∫
dxr
“√ax+ b
2√
a
”2− b2−4ac
4a
i) Ako b2−4ac > 0, togax∫
dxr
“√ax+ b
2√
a
”2− b2−4ac
4a
= 1q
b2−4ac4a
·∫
dxv
u
u
t
√ax+ b
2√
a√b2−4ac
4a
!2
−1
,
pa so voveduvanje na smenata t =√
ax+ b2√
aq
b2−4ac4a
se sveduva na integral od
tipot∫
dt√t2−1
.
ii) Ako b2−4ac < 0, togax∫
dxr
“√ax+ b
2√
a
”2− b2−4ac
4a
= 1q
4ac−b2
4a
∫dx
v
u
u
t
√ax+ b
2√
a√4ac−b2
4a
!2
+1
,
pa so voveduvanje na smenata t =√
ax+ b2√
aq
4ac−b2
4a
se sveduva na integral od
tipot∫
dt√t2+1
.
b) Vo ovoj sluqaj podintegralnata funkcija e definirana samo
za b2−4ac > 0 i nejzinata definiciona oblast e(
−b−√
b2−4ac2a
, −b+√
b2−4ac2a
)
.
Pritoa b2 − 4ac = b2 + 4 |a| c. Spored toa imame∫
dx√ax2+bx+c
=∫
dx√−|a|x2+bx+c
=∫
dx√−(|a|x2−bx−c)
=
=∫
dxs
−„
“√|a|x
”2−2 b
2√
|a|
√|a|x+ b2
4|a|−b2
4|a|−c
«
=∫
dxv
u
u
t−
„√|a|x− b
2√
|a|
«2
− b2+4|a|c4|a|
!
=
Matematika II (za studenti po biologija) 17
= 1r
b2+4|a|c4|a|
∫dx
v
u
u
u
u
u
t
1−
0
B
B
@
√|a|x− b
2√
|a|s
b2+4|a|c4|a|
1
C
C
A
2
So voveduvanje na smenata t =
√|a|x− b
2√
|a|r
b2+4|a|c4|a|
se sveduva na oblikot
∫dt√1−t2
.
Primer 26.∫
dx√−x2+3x+2
.
Rexenie.∫
dx√−x2+3x+2
=∫ (x− 3
2)′dx
q
32+4·24
−(x− 32)
2 = =∫ (x− 3
2 )′dx
q
174−(x− 3
2)2 = arcsin
x− 32√
172
+
C = arcsin 2x+3√17.
+ C.
Primer 27.∫
dx√x2+3x+2
.
Rexenie.∫
dx√x2+3x+2
=∫ (x+ 3
2)′dx
q
(x+ 32 )
2− 32−4·24
=∫ (x+ 3
2 )′dx
q
(x+ 32)
2− 14
=
= ln
∣∣∣∣x + 3
2+√(x + 3
2
)2 − 14
∣∣∣∣+ C = ln
∣∣x + 3
2+ 2
√x2 + 3x + 2
∣∣ + C.
Primer 28.∫
px+q√ax2+bx+c
dx, a 6= 0, p 6= 0.
Rexenie. Dadeniot integral ke go pretstavime kako zbir na
integralite od oblik∫
dt√ti∫
dt√at2+bt+c
. Imame
∫px + q√
ax2 + bx + cdx = p
∫x + q
p√ax2 + bx + c
dx = p1
2a
∫2ax + b − b + 2a q
p√ax2 + bx + c
dx =
= p1
2a
∫2ax + b√
ax2 + bx + cdx + p
1
2a
∫ −b + 2a qp√
ax2 + bx + cdx =
= p1
2aI1 + p
1
2a
(
−b + 2aq
p
)
I2
Vo I1 voveduvame smena t = ax2 + bx + c. Ottuka dt = (2ax + b) dx,
pa I1 =∫
dt√t= 2
√t + C = 2
√ax2 + bx + c + C. Integralot I2 e od
oblikot∫
dx√ax2+bx+c
, koj e presmetan prethodno.
Primer 29.∫
3x+5√−4x2+2x+5
dx.
Rexenie. I =∫
3x+5√−4x2+2x+5
dx = 3 12(−4)
∫ −8x+2−2+ 5·(−8)3√
−4x2+2x+5dx =
18 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
= −38
∫ −8x+2√−4x2+2x+5
dx +(−3
8
) (−2 − 40
3
) ∫dx√
−4x2+2x+5= −3
8I1 + 23
4I2.
Vo I1 voveduvame smena t = −4x2 +2x+5, pa dt = −8x+2. Spored
toa I1 =∫
dt√t= 2
√t + C = 2
√−4x2 + 2x + 5 + C. Za I2 imame
I2 =∫
dx√−4x2+2x+5
=∫
dx√14+2 1
22x−(2x)2+5− 1
4
=∫
dxq
( 12−2x)
2+ 19
4
=
=√
419
∫dx
v
u
u
t
12−2x√
194
!2
+1
=√
419
∫dx
r
“
1√19
− 4√19
x”2
+1
Voveduvame smena y = 1√19
− 4√19
x. Togax dy = − 4√19
dx, pa
I2 = −√
4
19
√19
4
∫dy
√
y2 + 1= −1
2ln∣∣∣y +
√
y2 + 1∣∣∣+ C1 =
= −1
2ln
1√19
− 4√19
x +
√(
1√19
− 4√19
x
)2
+ 1
+ C1
Koneqno,
I = 2√−4x2 + 2x + 5− 1
2ln
(
1√19
− 4√19
x +
√(
1√19
− 4√19
x)2
+ 1
)
+C2.
Primer 30.∫
sin ax cos bxdx, a, b 6= 0, a + b, a − b 6= 0.
Rexenie.∫
sin ax cos bxdx = 12
∫(sin (a + b)x + sin (a − b)x) dx =
= 12
∫sin (a + b)xdx − 1
2
∫sin (a − b)xdx =
= − 12(a+b)
cos (a + b)x + 12(a−b)
cos (a − b)x + C.
Primer 31.∫
cos ax cos bxdx, a, b 6= 0, a + b, a − b 6= 0.
Rexenie.∫
cos ax cos bxdx = 12
∫cos (a + b)xdx+ 1
2
∫cos (a − b)xdx =
= 12(a+b)
sin (a + b)x + 12(a−b)
sin (a − b)x + C.
Primer 32.∫
cos 3x cos 5xdx.
Rexenie.∫
cos 3x cos 5nxdx = 12
∫[cos 2x + cos 8x]dx =
= sin 2x4
+ sin 8x16
+ C.
Primer 33.∫
sin 2x cos 3xdx.
Rexenie.∫
sin 2x cos 3xdx = 12
∫(sin (−x) + sin 5x) dx = cosx
2− cos 5x
10+ C.
Primer 34.∫
sin 4x sin 7xdx.
Rexenie.∫
sin 4x sin 7xdx = 12
∫(cos 3x − cos 11x) dx = sin 3x
6− sin 11x
22+ C.
Primer 35.∫
sin23xdx.
Matematika II (za studenti po biologija) 19
Rexenie.∫
sin23xdx = 12
∫[1 − cos 6x]dx = x
2− sin 6x
12+ C.
Primer 36.∫
cos24xdx.
Rexenie.∫
cos24xdx = 12
∫[1 + cos 8x]dx = x
2+ sin 8x
16+ C.
Primer 37.∫
lnaxx
dx, a 6= 0.
Rexenie. Voveduvame smena t = lnx. Togax dt = dxx, pa
∫lnax
xdx =
∫tadt =
ta+1
a+1+ C, a 6= −1
ln |t|+ C, a = −1=
lna+1xa+1
+ C, a 6= −1
ln |lnx| + C, a = −1.
Primer 38.∫
1+x2
1+x4 dx.
Rexenie.∫
1+x2
1+x4 dx =∫ 1
x2 +1
x2+ 1x2
dx =∫ 1
x2 +1
x2−2+ 1x2 +2
dx =∫ 1
x2 +1
(x− 1x)
2+2
dx.
Voveduvame smena t = x − 1x. Ottuka dt =
(1 + 1
x2
)dx, pa posled-
niot integral se transformira vo∫
dtt2+2
. Natamu imame∫
dtt2+2
= 12
∫dt
“
t√2
”2+1
=√
22
arctg t√2
+ C =√
22
arctg 1√2
(x− 1
x
)+ C.
Primer 39.∫
x2−11+x4 dx.
Rexenie.∫
x2−11+x4 dx =
∫ 1− 1x2
x2+ 1x2
dx =∫ 1− 1
x2
x2+2+ 1x2 −2
dx =∫ 1− 1
x2
(x+ 1x)
2−2dx.
Voveduvame smena t = x + 1x, pa dt =
(1 − 1
x2
)dx. Natamu,
∫1 − 1
x2
(x + 1
x
)2 − 2dx =
∫dt
t2 − 2=
1
2
∫dt
(t√2
)2
− 1=
1
2
(∫
dtt√2− 1
−∫
dtt√2
+ 1
)
=
=1
2
√2 ln
t −√
2
t +√
2+ C =
√2
2ln
x + 1x−
√2
x + 1x
+√
2+ C.
Primer 40.∫
1+x2
x4+3x3+3x2−3x+1dx.
Rexenie.∫
1+x2
x4+3x3+3x2−3x+1dx =
∫ 1+ 1x2
x2+3x+3− 3x+ 1
x2dx =
=∫ 1+ 1
x2
(x2−2+ 1x2 )+3(x− 1
x)+3+2dx =
∫ 1+ 1x2
(x− 1x)
2+3(x− 1
x)+5dx.
Od smenata t = x − 1x
dobivame dt =(1 + 1
x2
)dx, pa
∫ 1+ 1x2
(x− 1x)
2+3(x− 1
x)+5dx =
∫dt
t2+3t+5=∫
dt
t2+2t 32+( 3
2)2− 9
4+5
=
=∫
dt
(t+ 32)
2+ 11
4
= 411
∫dt
t+32√114
!2
+1
= 411
√114
arctgt+ 3
2√114
+ C =
20 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
= 2√11
arctg2(x− 1
x)+3√
11+ C.
Primer 41.∫ √
b2 − a2x2dx, a, b > 0.
Rexenie.∫ √
b2 − a2x2dx = b∫√
1 −(
axb
)2dx. Prvo ke vovedeme
smena t = axb, od kade xto dobivame dx = b
adt, pa b
∫√
1 −(
axb
)2dx =
b2
a
∫ √1 − t2dt. Sega voveduvame smena t = sin u. Ottuka dt = cosudu,
pa∫ √
1 − t2dt =∫ √
1 − sin2u cos udu =∫|cosu| cos udu. Bidejki −1 ≤
u = arcsin t ≤ 1 sleduva deka cos u > 0, pa |cosu| = cosu. Spored toa∫|cosu| cos udu =
∫cos2udu = sin 2u
4+ u
2+ C =
= 2 sin(arcsin t) cos(arcsin t)4
+ arcsin t2
+ C =
=t√
1−sin2(arcsin t)
2+ arcsin t
2+ C = t
√1−t2
2+ arcsin t
2+ C =
=axb
q
1−(axb )
2
2+
arcsin axb
2+ C.
1.1.4 Integriranje so metod na parcijalna integracija
Teorema 1. Neka funkciite u(x) i v(x) se diferencijabilni
i neka postoi primitivna funkcija za funkcijata u′(x)v(x). To-
gax postoi primitivna funkcija i na funkcijata u(x)v′(x) i vai:∫
u(x)v′(x)dx = u(x)v(x)−∫
u′(x)v(x)dx.
Dokaz. Od (u(x) · v(x))′ = u′(x)v(x) + u(x)v′(x), imame
∫
[u(x)v(x)]′dx =
∫
[u′(x)v(x) + u(x)v′(x)]dx.
Koristejki gi svojstvata na neopredeleniot integral, od posled-
noto se dobiva
u(x)v(x) =
∫
u′(x)v(x)dx +
∫
u(x)v′(x)dx
od kade sleduva tvrdenjeto na teoremata.
Primer 1.∫
x lnxdx.
Rexenie. Stavame u = lnx i dv = xdx. Togax du = dxx
i v = x2
2,
od kade dobivame deka∫
x lnxdx = x2 lnx2
− 12
∫xdx = x2 lnx
2− x2
4+ C = x2
4(2 ln x − 1) + C.
Primer 2.∫
xexdx.
Matematika II (za studenti po biologija) 21
Rexenie. Stavame u = x i dv = exdx. Togax du = dxi v = ex, od
kade dobivame deka∫
xexdx = xex −∫
exdx = xex − ex + C = (x − 1)ex + C.
Primer 3.∫
x arctg xdx.
Rexenie. Stavame u = arctg x i dv = xdx. Togax du = dx1+x2i
v = x2
2, od kade xto dobivame deka∫
x arctg xdx = x2 arctgx2
− 12
∫x2
1+x2 dx = x2 arctgx2
− 12
∫1+x2−11+x2 dx =
= x2 arctgx2
− 12
(∫dx −
∫dx
1+x2
)= x2 arctgx
2− 1
2(x − arctg x) + C =
= x2+12
arctg x− x2
+ C.
Primer 4∫
x sinxdx.
Rexenie. Stavame u = x i dv = sinxdx. Togax
du = dx i v = − cos x, od kade dobivame deka∫
x sinxdx = −x cos x +∫
cos xdx = −x cosx + sinx + C.
Primer 5.∫
x2 cos xdx.
Rexenie. Stavame u = x2 i dv = cos xdx. Togax
du = 2xdx i v = sinx, od kade dobivame deka∫
x2 cos xdx = x2 sinx − 2∫
x sinxdx.
Na integralot od desnata strana na ravenstvoto primenuvame
parcijalna integracija i zaradi primerot 4, dobivame∫
x sinxdx = −x cos x + sin x + C.
Spored toa,∫
x2 cos xdx = x2 sinx − 2(−x cos x + sin x) + C =(x2−2) sin x+2x cosx+
C.
Primer 6.∫
x sin 3xdx.
Rexenie. Stavame u = x i dv = sin 3xdx. Togax du = dxi v =
− cos 3x3
, od kade dobivame deka∫
x sin 3xdx = −x cos 3x3
+ 13
∫cos 3xdx = −x cos 3x
3+ 1
9sin 3x + C.
Primer 7.∫
ex sinxdx.
Rexenie. Stavame u = ex i dv = sin xdx. Togax
du = exdx i v = − cos x,
od kade dobivame deka∫
ex sinxdx = −ex cos x +∫
ex cos xdx.
Na integralot od desnata strana na ravenstvoto primenuvame
parcijalna integracija u1 = ex i dv1 = cosxdx i dobivame∫
ex cosxdx = ex sin x−∫
ex sinx + C.
22 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Spored toa,∫
ex sinxdx = −ex cos x + ex sinx −∫
ex sinxdx, od kade
xto sleduva deka∫
ex sinxdx = ex(sinx−cosx)2
+ C.
Primer 8.∫
(x2 + 2x + 3)e5xdx.
Rexenie. Dadeniot integral ke go zapixeme vo oblikot∫
(x2 + 2x + 3)e5xdx =∫
x2e5xdx + 2∫
xe5xdx + 3∫
e5xdx.
Stavame I1 =∫
x2e5xdx, I2 =∫
xe5xdx I3 =∫
e5xdx. Ako na sekoj
od integralite I1 i I2 oddelno primenime parcijalna integracija
dobivame
I1 =∫
x2e5xdx = 25x2−10x+2125
e5x + C I2 =∫
xe5xdx = 5x−125
e5x + C.
Bidejki, I3 =∫
e5xdx = e5x
5+ C, za dadeniot integral koneqno
dobivame∫
(x2 + 2x + 3)e5xdx =I1 + 2I2 + 3I3 =(
x2
25+ 3
25x + 22
125
)
e5x + C.
Primer 9.∫
xdxsin2x
.
Rexenie. Voveduvame parcijalna integracija u = x, dv = 1sin2x
dx.
Ottuka du = dx, v = − ctg x, pa∫
xdxsin2x
= −x ctg x+∫
ctg xdx = −x ctg x+∫
cosxsinx
dx = −x ctgx+ln |sinx|+C.
Primer 10.∫
x2dx√1−x2 .
Rexenie. Neka I =∫
x2dx√1−x2 . Togax I =
∫x x√
1−x2 dx. Stavame
u = x i dv = x√1−x2 dx. Ottuka du = dxi v = −
√1 − x2, od kade xto
dobivame deka
I = −x√
1 − x2 +∫ √
1 − x2dx = −x√
1 − x2 +∫ (1−x2)dx
√1−x2 =
= −x√
1 − x2 +∫
dx√1−x2 −
∫x2√1−x2 dx = −x
√1 − x2 +
∫dx√1−x2 − I.
Spored toa I =∫
x2dx√1−x2 = 1
2
(−x
√1 − x2 + arcsin x
)+ C.
Primer 11.∫ √
b2 − a2x2dx, a, b > 0.
Rexenie. Imame∫ √
b2 − a2x2dx = b∫√
1 −(
axb
)2dx, pa stavame
smena t = axb. Ottuka dx = b
adt. Spored toa
∫ √b2 − a2x2dx =
b2
a
∫ √1 − t2dt. Da oznaqime I =
∫ √1 − t2dt. Togax
I =∫
1−t2√1−t2
dt =∫
dt√1−t2
−∫
t2√1−t2
dt = arcsin t−12
(−t
√1 − t2 + arcsin t
)+
C = 12t√
1 − t2 + arcsin t2
+ C.
Koneqno∫ √
b2 − a2x2dx = b2
a·(
12· ax
b
√
1 −(
axb
)2+
arcsin axb
2
)
+ C.
Primer 12.∫
x2√
1+x2 dx
Matematika II (za studenti po biologija) 23
Rexenie. Voveduvame parcijalna integracija na sledniov naqin
u = x, dv = x√1+x2 dx. Togax du = dx, v =
√1 + x2, pa
∫x2
√1 + x2
dx = x√
1 + x2 −∫ √
1 + x2dx =
= x√
1 + x2 −∫
1 + x2
√1 + x2
dx =
= x√
1 + x2 −∫
1√1 + x2
dx −∫
x2
√1 + x2
dx
Ottuka 2∫
x2√
1+x2 dx = x√
1 + x2 −∫
1√1+x2 dx, t.e.
∫x2
√1+x2 dx = 1
2
(x√
1 + x2 − ln∣∣x +
√1 + x2
∣∣)
+ C.
Primer 13.∫ √
a2x2 ± b2dx, a, b > 0.
Rexenie. Na sliqen naqin kako prethodno stavame smena t = axb
i dx = badt, pa
∫ √a2x2 ± b2dx = b2
a
∫ √t2 ± 1dt.
Natamu
∫ √t2 ± 1dt =
∫t2 ± 1√t2 ± 1
dt =
∫t2√
t2 ± 1dt ±
∫1√
t2 ± 1dt =
= ln∣∣∣t +
√t2 ± 1
∣∣∣+
1
2
(
t√
t2 ± 1 − ln∣∣∣t +
√t2 ± 1
∣∣∣
)
+ C =
=1
2
(
t√
t2 ± 1 + ln∣∣∣t +
√t2 ± 1
∣∣∣
)
+ C
Koneqno,∫ √
b2 + a2x2dx = b2
a12
(
axb
√
1 +(
axb
)2+ ln
∣∣∣∣axb
+√
1 +(
axb
)2
∣∣∣∣
)
+ C.
Primer 14∫ √
4 − x2dx.
Rexenie.∫ √
4 − x2dx =∫
4−x2√
4−x2 dx = 4∫
dx√4−x2 −
∫x2dx√4−x2 =
= 4arcsin x2
+ x√
4 − x2 −∫ √
4 − x2dx, t.e.∫ √
4 − x2dx = 2arcsin x2
+ x√
4−x2
2+ C.
Primer 15.∫ √
3 − x2dx.
Rexenie.∫
1√t2−1
dt =
24 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
= 3arcsin x√3
+ x√
3 − x2 −∫ √
3 − x2dx,
t.e.∫ √
3 − x2dx = 32arcsin x√
3+ x
√3−x2
2+ C.
Primer 16..∫ √
x2 + 16dx.
Rexenie.∫ √
x2 + 16dx =∫
x2+16√x2+16
dx =∫
x2dx√x2+16
+ 16∫
dx√x2+16
=.
= x√
x2 + 16 −∫ √
x2 + 16dx + 16∫
dx√x2+16
, otkade sleduva deka∫ √
x2 + 16dx = x√
x2+162
+ 8 ln∣∣x +
√x2 + 16
∣∣ + C,
pritoa za rexavanje na integralot∫
x2dx√x2+16
se primenuva parci-
jalna integracija u = x i dv = xdx√x2+16
.
Primer 17.∫ √
x2 − 3dx.
Rexenie. Od∫ √
x2 − 3dx =∫
x2−3√x2−3
dx =∫
x2dx√x2−3
− 3∫
dx√x2−3
=
= x√
x2 − 3 −∫ √
x2 − 3dx − 3∫
dx√x2−3
, sleduva deka∫ √
x2 − 3dx = x√
x2−32
− 3 ln|x+√
x2−3|2
+ C.
Primer 18.∫ √
ax2 + bx + cdx, a 6= 0.
Rexenie. 1) Neka a > 0. Togax imame
ax2 + bx + c =(√
ax)2
+ 2b
2√
a
√ax +
(b
2√
a
)2
− b2
4a+ c =
=
(√ax +
b
2√
a
)2
+4ac − b2
4a,
pa
∫ √ax2 + bx + cdx =
∫√(√
ax +b
2√
a
)2
+4ac − b2
4adx =
=
√∣∣∣∣
4ac − b2
4a
∣∣∣∣
∫
√√√√√
√ax + b
2√
a√∣∣4ac−b2
4a
∣∣
2
± 1 dx.
So smenata t =√
ax+ b2√
ar
˛
˛
˛
4ac−b2
4a
˛
˛
˛
posledniot integral se sveduva na ob-
Matematika II (za studenti po biologija) 25
likot∫ √
t2 ± 1dt.
2) Neka a < 0. Togax
ax2 + bx + c = − |a|x2 + bx + c =
= −
(√
|a|x)2
− 2b
2√
|a|√
|a|x +
(
b
2√
|a|
)2
+b2
4 |a| + c =
= −(√
|a|x − b√
a
2
)2
+4 |a| c + b2
4 |a| =4 |a| c + b2
4 |a| ·
1 −
√
|a|x− b2√
a√
4|a|c+b2
4|a|
2
pa∫ √
ax2 + bx + cdx =√
4|a|c+b2
4|a| ·∫
√√√√√1 −
√|a|x− b
2√
ar
4|a|c+b2
4|a|
2
dx.
So smenata t =
√|a|x− b
2√
ar
4|a|c+b2
4|a|
dadeniot integral se sveduva na ob-
likot∫ √
1 − t2dt.
Primer 19.∫ √
−x2 − 5x + 3dx.
Rexenie.∫ √
−x2 − 5x + 3dx =
=∫√
(−5)2+4·34
−(
x − (−5)2
)2(
x− (−5)2
)′dx =
∫√
374−(x + 5
2
)2dx =
= 378
arcsin 2x+5√37
+ 14(2x + 5)
√3 − 5x − x2 + C.
Primer 20.∫ √
x2 + 4x + 3dx..
Rexenie.∫ √
x2 + 4x + 3dx =∫√(x + 4
2
)2 − 42−4·34
(x + 4
2
)′dx =
=∫√
(x + 2)2 − 1 dx = (x+2)
√x2+4x+32
− 12ln∣∣x + 2 +
√x2 + 4x + 3
∣∣+ C.
Primer 21. In =∫
dx(ax2+b)n , n ∈ N\ 1, a, b 6= 0.
Rexenie. So parcijalna integracija ke go namalime stepenot
na imenitelot za eden. Imame
26 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
In =
∫dx
(ax2 + b)n =1
b
∫ax2 + b − ax2
(ax2 + b)n dx =
=1
b
∫dx
(ax2 + b)n−1 − a
b
∫x2
(ax2 + b)n =
1
bIn−1 −
a
bJ.
Natamu vo J =∫
x2
(ax2+b)n voveduvame parcijalna integracija
u = x, dv = x(ax2+b)n dx.
Ottuka du = dx, v = 12a
· 11−n
· 1(ax2+b)n−1 , pa
J = x · 1
2a· 1
1 − n· 1
(ax2 + b)n−1 − 1
2a· 1
1 − n
∫1
(ax2 + b)n−1 dx =
=1
2a (1 − n)· x
(ax2 + b)n−1 − 1
2a (1 − n)In−1.
Koneqno,
In = 1bIn−1 − a
bJ = 1
bIn−1 − a
b
(1
2a(1−n)· x
(ax2+b)n−1 − 12a(1−n)
In−1
)
=
= 1b
(
1 + 12(1−n)
)
In−1 − 12b(1−n)
· x
(ax2+b)n−1 . Ovaa postapka se pri-
menuva na In−1, ponatamu na In−2, itn. se dodeka ne se dobie in-
tegral od oblikot∫
dxax2+b
.
Primer 22. In =∫
1(ax2+bx+c)n dx; n ∈ N\ 1, a 6= 0.
Rexenie. 1) a > 0
In =∫
1(ax2+bx+c)n dx =
∫1
“
(√
ax)2+2 b
2√
a
√ax+ b2
4a− b2
4a+c”n dx =
=∫
1„
“√ax+ b
2√
a
”2− b2
4a+c
«n dx =∫
1„
“√ax+ b
2√
a
”2− b2−4ac
4a
«n dx.
Ako b2−4ac4a
> 0, togax so smenata t =√
ax+ b2√
aq
b2−4ac4a
se sveduva na ob-
likot∫
dt(t2−1)n .
Ako, pak, b2−4ac4a
< 0 so smenata t =√
ax+ b2√
ar
˛
˛
˛
b2−4ac4a
˛
˛
˛
se sveduva na oblikot
∫dt
(t2+1)n . Za b2−4ac4a
= 0 se dobiva oblikot∫
dt(st+k)2n .
2) a < 0. Na sliqen naqin integralot se transformira vo
Matematika II (za studenti po biologija) 27
oblikot∫
dt(at2+b)n .
Primer 23. In =∫
a1x+b1(ax2+bx+c)n dx, n ∈ N\ 1,a1, a 6= 0.
Rexenie.
In =∫
a1x+b1(ax2+bx+c)n dx = a1
12a
∫ 2ax+b+2ab1a1
−b
(ax2+bx+c)n dx =
=a1
2a
∫2ax + b
(ax2 + bx + c)n dx +a1
2a
(2ab1
a1− b
)∫dx
(ax2 + bx + c)n =
=a1
2aJ1 +
a1
2a
(2ab1
a1
− b
)
J2.
Vo J1 stavame smena t = ax2 + bx + c. Ottuka dt = (2ax + b) dx, pa
integralot dobiva oblik∫
dttn
.
Integralot J2 e od oblik koj prethodno go presmetavme.
Primer 24.∫
3x+5(4x2+7x−3)3
dx.
Rexenie.
∫3x+5
(4x2+7x−3)3dx = 3
∫ 8x+7+8 53−7
(4x2+7x−3)3dx =
28 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
= 3
∫8x + 7
(4x2 + 7x − 3)3 dx + 3
(40
3− 7
)∫1
(4x2 + 7x − 3)3 dx =
= 3J1 + 19
∫1
(
(2x)2 + 2742x +
(74
)2 − 4916
− 3)3dx =
= 3J1 + 19
∫1
((2x + 7
4
)2 − 9716
)3dx =
= 3J1 + 191
(9716
)3
∫1
((
2x+ 74√
9716
)2
− 1
)3dx =
= 3J1 + 19
(16
97
)3 ∫1
((8x+7√
97
)2
− 1
)3 dx =
= 3J1 + 19
(16
97
)3
I.
Vo J1 ke stavime smena t = 4x2 + 7x − 3. Ottuka dt = (8x + 7) dx,
pa
J1 =∫
dtt3
= − 12t2
+ C = − 1
2(4x2+7x−3)2+ C.
Vo I stavame smena y = 8x+7√97
, pa dx =√
978
dx i I =√
978
∫dy
(y2−1)3=
√978
I3.
Za I3 imame
I3 =∫
dy
(y2−1)3= −
∫y2−1−y2
(y2−1)3dy = −
∫y2−1
(y2−1)3dy +
∫y2
(y2−1)3dy =
= −∫
1(y2−1)2
dy +∫
y2
(y2−1)3dy.
Vo posledniot integral voveduvame parcijalna integracija
u = y, dv = y
(y2−1)3dy. Ottuka
du = dy, v = − 1
4(y2−1)2, pa
∫y2
(y2−1)3dy = − y
4(y2−1)2+ 1
4
∫dy
(y2−1)2.
Spored toa
I3 = −∫
dy
(y2−1)2− y
4(y2−1)2+ 1
4
∫dy
(y2−1)2= − y
4(y2−1)2− 3
4
∫dy
(y2−1)2=
Matematika II (za studenti po biologija) 29
= − y
4(y2 − 1)2 +3
4
∫y2 − 1 − y2
(y2 − 1)2 dy =
= − y
4(y2 − 1)2 +3
4
∫y2 − 1
(y2 − 1)2dy − 3
4
∫y2
(y2 − 1)2 dy =
= − y
4(y2 − 1)2 +3
4
∫1
y2 − 1dy − 3
4
∫y2
(y2 − 1)2dy =
= − y
4(y2 − 1)2 +3
4· 1
2ln
∣∣∣∣
y − 1
y + 1
∣∣∣∣− 3
4
∫y2
(y2 − 1)2 dy.
Vo integralot∫
y2
(y2−1)2dy voveduvame parcijalna integracija
u = y, dv = y
(y2−1)2dy.
Ottuka du = dy, v = − 12(y2−1)
, pa
∫y2
(y2−1)2dy = − y
2(y2−1)+ 1
2
∫dy
y2−1= − y
2(y2−1)+ 1
4ln∣∣∣y−1y+1
∣∣∣.
Sega,
I3 = − y
4(y2 − 1)2 +3
4· 1
2ln
∣∣∣∣
y − 1
y + 1
∣∣∣∣− 3
4
∫y2
(y2 − 1)2 dy =
= − y
4(y2 − 1)2 +3
8ln
∣∣∣∣
y − 1
y + 1
∣∣∣∣− 3
4
(
− y
2 (y2 − 1)+
1
4ln
∣∣∣∣
y − 1
y + 1
∣∣∣∣
)
=
= − y
4(y2 − 1)2 +3y
8 (y2 − 1)+
3
16ln
∣∣∣∣
y − 1
y + 1
∣∣∣∣.
Koneqno,
30 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
∫3x + 5
(4x2 + 7x − 3)3dx = 3J1 + 19
(16
97
)3
I =
= − 3
2(4x2 + 7x − 3)2 +
+ 19
(16
97
)3√97
8
(
− y
4(y2 − 1)2 +3y
8 (y2 − 1)+
3
16ln
∣∣∣∣
y − 1
y + 1
∣∣∣∣
)
+ C =
= − 3
2(4x2 + 7x − 3)2−
− 19 · 83√
97
973
8x+7√97
4
((8x+7√
97
)2
− 1
)2 −38x+7√
97
8
((8x+7√
97
)2
− 1
) − 3
16ln
∣∣∣∣∣
8x+7√97
− 18x+7√
97+ 1
∣∣∣∣∣
+ C.
Primer 25. In =∫
sinnxdx, n ∈N.
Rexenie. Vo In =∫
sinnxdx =∫
sinn−1x sin xdx voveduvame par-
cijalna integracija u = sinn−1x, dv = sinxdx. Ottuka
du = (n − 1) sinn−2x cos xdx, v = − cos x, pa
In = −sinn−1x cos x + (n − 1)∫
sinn−2xcos2xdx =
= −sinn−1x cos x + (n − 1)∫
sinn−2x(1 − sin2x
)dx =
= −sinn−1x cos x + (n − 1)∫
sinn−2xdx − (n − 1)∫
sinnxdx =
= −sinn−1x cos x + (n − 1) In−2 − (n − 1) In.
Spored toa, In = − 1nsinn−1x cos x + n−1
nIn−2. Znaqi poqetniot in-
tegral e sveden na integral so stepen na sinx ponizok za dva.
Prodoluvajki ja ovaa postapka natamu, stepenot se namaluva
uxte za dva, itn. Taka, ako n e paren broj postapkata ke zavr-
xi so∫
dx, a ako n e neparen ke zavrxi so∫
sin xdx.
Primer 26∫
xn lnxdx, n ∈R.
Rexenie. 1) Neka n 6= −1. Stavame parcijalna integracija
u = lnx, dv = xndx. Ottuka du = dxx
, v = xn+1
n+1, pa
Matematika II (za studenti po biologija) 31
∫
xn lnxdx =1
n + 1xn+1 lnx − 1
n + 1
∫
xndx =
=1
n + 1xn+1 lnx − 1
n + 1· xn+1
n + 1+ C.
2) n = −1. Povtorno so parcijalnata integracija u = lnx, dv =1xdx dobivame du = dx
x, v = ln |x|, pa
∫lnxx
dx = lnx ln |x| −∫ ln|x|
xdx.
No x > 0 (samo za tie x funkcijata lnx e definirana) imame
ln |x| = lnx, pa 2∫
ln xx
dx = ln2x + 2C, t.e.∫
lnxx
dx = 12ln2x + C.
1.1.5 Presmetuvanje na nekoi vani tipovi integrali
I. Ako
∫
f(x)dx = ϕ(x) + c, togax za a, b ∈ R, a 6= 0, vai
∫
f(ax + b)dx =1
aϕ(ax + b) + c.
Primer 1.
∫
(ax + b)rdx =1
a
(ax + b)r+1
r + 1+ c, a 6= 0, r 6= −1.
Primer 2.
∫1
ax + bdx =
1
aln |ax + b|+ c.
Primer 3.
∫1
x2 + 2x + 2dx =
∫1
x2 + 2x + 1 + 1dx =
=
∫1
(x + 1)2 + 1dx = arctg(x + 1) + c.
II. Ako f : D → F e diferencijabilna funkcija na D, f(x) 6= 0,
za sekoj x ∈ D, togax
∫f ′(x)
f(x)dx = ln |f(x)|+ c.
32 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Primer 4.
∫
tgxdx =
∫sinx
cos xdx = −
∫ − sinx
cos xdx =
= −∫
(cos x)′
cosxdx = − ln | cosx| + c.
III. Pri integriranje na nekoi trigonometriski funkcii, qesto
se koristat slednive ravenstva:
cos α cos β =1
2[cos(α − β) + cos(α + β)]
sinα sinβ =1
2[cos(α − β)− cos(α + β)]
sinα cos β =1
2[sin(α − β) + sin(α + β)]
Primer 5.
∫
sin2 xdx =
=
∫
sinx sinxdx =
∫1
2[cos(x − x) − cos(x + x)]dx =
=1
2
∫
(cos 0 − cos 2x)dx =1
2
∫
(1 − cos 2x)dx =
=1
2
[∫
dx −∫
cos 2xdx
]
=1
2
[
x − sin 2x
2
]
+ c.
Primer 6.
∫
cos2 xdx =
∫
cosx cos xdx =
=
∫1
2cos(x − x) + cos(x + x)]dx =
∫1
2(cos 0 + cos 2x)dx =
=
∫1 + cos 2x
2dx =
1
2
(
x +sin 2x
2
)
. (Prethodno veke go imame
rexeno).
Primer 7.
∫
sin 3x cos 2xdx =
=
∫1
2[sin(3x − 2x) + sin(3x + 2x)]dx =
1
2
∫
(sinx + sin 5x)dx =
=1
2
∫
sinxdx +1
2
∫
sin 5xdx =
=1
2(− cos x) +
1
2· 1
5(− cos 5x) + c =
− cosx
2− cos 5x
10+ c.
Matematika II (za studenti po biologija) 33
IV. Pri integriranje na trigonometriskite funkcii qesta smena
e i t = tgx
2.
Vo toj sluqaj, vo podintegralnata funkcija sinx i cos x se izrazu-
vaat preku tgx
2i se koristi smena t = tg
x
2.
Koristejki deka: sinx = 2 sinx
2cos
x
2, cos x = cos2 x
2− sin2 x
2i sin2 x
2+
cos2 x
2= 1, ∀x ∈ R, dobivame
sinx =sinx
1=
2 sinx
2cos
x
2
sin2 x
2+ cos2 x
2
=
2 sinx
2cos
x
2
cos2x
2
sin2 x
2+ cos2 x
2
cos2x
2
=
=
2sin
x
2
cosx
2
sin2 x
2
cos2x
2
+cos2 x
2
cos2x
2
=2tg
x
2
tg2 x
2+ 1
t.e. sinx =2t
t2 + 1i
cos x =cos x
1=
cos2 x
2− sin2 x
2
sin2 x
2+ cos2 x
2
=
cos2 x
2− sin2 x
2
cos2x
2
sin2 x
2+ cos2 x
2
cos2x
2
=
=
cos2 x
2
cos2x
2
−sin2 x
2
cos2x
2
sin2 x
2
cos2x
2
+cos2 x
2
cos2x
2
=1 − tg2 x
2
tg2 x
2+ 1
t.e. cos x =1 − t2
1 + t2.
Uxte, tgx =sinx
cos x=
2t
t2 + 11 − t2
t2 + 1
=2t
1 − t2t.e. tgx =
2t
1 − t2
i ctgx =cosx
sinxt.e. ctgx =
1 − t2
2t
34 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Od t = tgx
2imame
x
2= arctgt pa dx = 2
1
1 + t2dt.
Primer 8.
∫dx
sinx=
∫12t
1 + t2
· 2 1
1 + t2dt =
=
∫1
tdt = ln |t|+ c = ln
∣∣∣tg
x
2
∣∣∣+ c.
1.2 Opredelen integral
1.2.1 Opredelen integral kako narasnuvanje na primitivna
funkcija
Neka g(x) i h(x) se dve proizvolni primitivni funkcii na
dadena funkcija f(x), na [a, b]. Togax zaradi teoremata, imame
deka g(x)− h(x) = c, ∀x ∈ [a, b], kade c e konstanta. Toa znaqi deka i
g(a)−h(a) = c i g(b)−h(b) = c, od kade, odzemajki gi dvete ravenstva,
se dobiva:
g(b) − h(b) − (g(a) − h(a)) = 0
g(b) − h(b) − g(a) + h(a) = 0, t.e.
g(b) − g(a) = h(b) − h(a)
Poslednoto znaqi deka narasnuvanjeto na koi bilo dve pri-
mitivni funkcii, koga argumentot se menuva od x = a do x = b,
e ednakvo.
Matematika II (za studenti po biologija) 35
Geometriski gledano:
Zaradi pogornata diskusija, sega moe da ja dademe slednata
definicija.
Definicija. Narasnuvanjeto na koja bilo primitivna funk-
cija na funkcijata f(x), koga argumentot se menuva od x = a do
x = b, se vika opredelen integral. Se koristi slednata oznaka:
b∫
a
f(x)dx
i qitame ”integral od a do b, ef od iks de iks”.
Od definicijata na opredelen integral sleduva formula za
presmetuvanje na opredelen integral t.e.
b∫
a
f(x)dx = g(b)− g(a),
kade g(x) e primitivna funkcija za f(x), a e dolna granica na
integriranje, a b e gorna granica na integriranje.
Qesto, pixuvame
g(b) − g(a) = g(x)∣∣∣
b
a.
Znaqi, za da presmetame
b∫
a
f(x)dx, potrebno e:
36 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
1) da se najde primitivna funkcija g(x) za f(x)
2) vo primitivnata funkcija namesto x, da se zamenat vrednos-
tite na gornite i dolnite granici t.e. g(b) i g(a)
3) da se odzemat dobienite rezultati t.e. da se presmeta g(b)−g(a).
Primer 1.
2∫
1
x2dx =
(x3
3
) ∣∣∣
2
1=
23
3− 13
3=
8
3− 1
3=
7
3.
1.2.2 Opredelen integral kako graniqna vrednost na zbir
Definicija. Za [a, b] ⊆ R mnoestvoto toqki
P = x0, x1, x2, . . . , xn−1, xn,
takvi xto
a = x0 < x1 < x2 < · · · < xn−1 < xn = b
se narekuva podelba na segmentot [a, b].
Najgolemiot od pozitivnite broevi xi − xi−1 se narekuva di-
jametar na podelbata i go oznaquvame so d.
Geometriski:
Definicija. Neka f : x 7→ f(x), x ∈ [a, b] e ograniqena funkcija.
Zbirotn∑
i=1
f(ξi)(xi − xi−1),
kade xto P = x0, x1, . . . , xn e nekoja podelba na segmentot [a, b]
i ξi ∈ [xi−1, xi], i ∈ 1, 2, . . . , n se proizvolno izbrani toqki, se
narekuva Rimanov integralen zbir.
Matematika II (za studenti po biologija) 37
Jasno e deka, Rimanoviot integralen zbir zavisi od brojot
na podintervali t.e. od n, na podelbata P = x0, x1, . . . , xn i od
broevite ξi.
Teorema 1. Ako postoi
limd→0
n∑
i=1
f(ξi)(xi − xi−1)
za sekoja podelba P = x0, x1, . . . , xn na segmentot [a, b] za sekoj
izbor na broevi ξi ∈ [xi−1, xi], i ∈ 1, 2, . . . , n, togax taa graniqna
vrednost e opredelen integral na funkcija f(x) na [a, b] t.e.
g(b) − g(a) =
b∫
a
f(x)dx = limd→0
n∑
i=0
f(ξi)(xi − xi−1)
kade g(x) e primitivna funkcija za f(x), i formulata vai za
sekoja podelba P na [a, b] i sekoj izbor na toqki ξi od [xi−1, xi].
Funkcijata koja ima opredelen integral na [a, b] se narekuva
integrabilna na [a, b].
Integrabilni funkcii na [a, b] se:
1) neprekinati funkcii na [a, b]
2) monotoni funkcii na [a, b]
3) ograniqeni funkcii so koneqen broj prekini na [a, b].
1.2.3 Svojstva na opredelen integral
Svojstvo 1. Neka f(x) e integrabilna na [a, b], λ ∈R. Togax λf e
integrabilna na [a, b], i vai
b∫
a
λf(x)dx = λ
b∫
a
f(x)dx.
38 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Svojstvo 2. Neka f(x), g(x) se integrabilni na [a, b]. Togax i
f + g e integrabilna na [a, b] i vai
b∫
a
[f(x) + g(x)]dx =
b∫
a
f(x)dx +
b∫
a
g(x)dx.
Svojstvo 3.
b∫
a
f(x)dx = −a∫
b
f(x)dx.
Svojstvo 4.
a∫
a
f(x)dx = 0.
Svojstvo 5. Neka f(x) e integrabilna na [a, b] i neka c ∈ (a, b).
Togaxb∫
a
f(x)dx =
c∫
a
f(x)dx +
b∫
c
f(x)dx.
Svojstvo 6.
b∫
a
dx = b − a.
Svojstvo 7. Neka f(x), g(x) se integrabilni na [a, b] i neka
f(x) ≤ g(x), ∀x ∈ [a, b]. Togax
b∫
a
f(x)dx ≤b∫
a
g(x)dx.
1.2.4 Geometrisko znaqenje na opredeleniot integral
Neka Γf = (x, f(x) | x ∈ [a, b] e grafik na funkcijata y = f(x) i
A(a, f(a)), B(b, f(b)).
Matematika II (za studenti po biologija) 39
Zadaqa. Da se presmeta ploxtinata na delot od ramninata
xto e ograniqen so delot od funkcijata pomegu A i B, pravata
x = a, x = b i x−oskata.
Rexenie. Neka P = x0, x1, x2, . . . , xn e podelba na [a, b] i neka
ξi ∈ (xi−1, xi), i ∈ 1, 2, . . . , n. Togax f(ξi)(xi − xi−1) pretstavuva
ploxtina na pravoagolnik so visina f(ξi) i osnova (xi − xi−1), a
zbirotn∑
i=1
f(ξi)(xi−xi−1) pretstavuva ploxtinata na figurata, do-
biena od site vaka formirani pravoagolnici. Na slikata toa e
xrafiraniot del. Znaqi, integralniot zbir na f(x) na [a, b] e
ploxtinata na del od ramninata ograniqen so poligonalnata
linija M0N1M1N2M2N3M3 . . .Nn−1Mn−1Nn, pravata x = a, x = b i
x−oskata. Ako brojot na toqkite od podelbata P = x0, x1, x2, . . . , xnt.e. brojot n se zgolemuva, togax dijametarot d se namaluva i od
crteot e vidlivo deka poligonalnata linija se pomalku se raz-
likuva od delot na funkcijata megu A i B t.e. ako puxtime n → ∞t.e. d → 0, dobivame
limd→0
n∑
i=1
f(ξi)(xi − xi−1) = baranata ploxtina,
40 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
t.e.
b∫
a
f(x)dx = barana ploxtina.
1.2.5 Primena na opredelen integral
I. Presmetuvanje ploxtina
Neka y = f(x), x ∈ [a, b] e integrabilna i pozitivna t.e. f(x) >
0, ∀x ∈ [a, b]. Togax
PG =
b∫
a
f(x)dx,
kade
G = (x, y) | a ≤ x ≤ b, 0 ≤ y ≤ f(x).
Primer 1. Da se presmeta ploxtina na krug so radius r.
Rexenie. Ravenkata na krunica so radius r i centar vo (0, 0)
e x2 + y2 = r2, t.e. y2 = r2 − x2, pa f(x) =√
r2 − x2.
Spored formulata, baranata ploxtina e P = 2
r∫
−r
√r2 − x2dx.
So metodot na zamena dobivame x = r sin t, dx = r cos tdt i za
x = −r, t = arcsin
(−r
r
)
= arcsin (−1) =−π
2a za
x = r, t = arcsin(r
r
)
= arcsin (1) =π
2.
Znaqi, baranata ploxtina e
P = 2
∫ π2
−π2
√
r2 − r2 sin2 t r cos tdt
Matematika II (za studenti po biologija) 41
= 2r2
∫ π2
−π2
cos t cos tdt = 2r2
∫ π2
−π2
1 + cos 2t
2dt = =
2r2
2
[
t +sin 2t
2
]∣∣∣∣∣
π2
−π2
=
= r2
[π
2+
1
2sin(
2π
2
)
−[(
−π
2
)
+1
2sin
(
2
(−π
2
))]]
=
= r2[π
2+ 0 +
π
2− 0]
= r22 · π
2= r2π.
II. Presmetuvanje na volumen na vrtlivo telo
Neka y = f(x), x ∈ [a, b] e neprekinata i pozitivna funkcija. Ako
krivoliniskiot trapez, qii strani se segmentot [a, b], delovi od
pravite x = a i x = b i krivata y = f(x), a ≤ x ≤ b, se vrti okolu
x−oskata se dobiva vrtlivo telo.
Negoviot volumen e
V = π
b∫
a
f2(x)dx.
Primer 1. Da se presmeta volumen na topka so radius r.
Rexenie. Topkata se dobiva so vrtenje na f(x) =√
r2 − x2 okolu
42 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
x−oskata i toa na delot [−r, r]. Pa,
V = π
r∫
−r
f2(x)dx = π
r∫
−r
(r2 − x2)dx =
= π
r∫
−r
r2dx −r∫
−r
x2dx
= π
[
r2x∣∣∣
r
−r− x3
3
∣∣∣
r
−r
]
=
= π
[
r2 · r − r2(−r) −(
r3
3− (−r)3
3
)]
=
= π
[
r3 + r3 −(
r3
3+
r3
3
)]
= π
[
2r3 − 2
3r3
]
=
=4
3πr3.
1.3 Nesvojstven integral
Neka funkcijata f : [a,∞) →R e integrabilna na sekoj zatvoren
interval [a, b]. Togax funkcijata
F (x) =
x∫
a
f(t)dt
e neprekinata na [a,∞).
Definicija. Ako granicata limx→+∞
F (x) postoi i e koneqen broj,
velime deka funkcijata f(x) e integrabilna na [a,∞) vo nesvoj-
stvena (neprava) smisla, a realniot broj limx→∞
F (x) se narekuva
nesvojstven integral na f(x) na [a,∞).
Znaqi,∞∫
a
f(x)dx = limx→∞
F (x) = limx→∞
x∫
a
f(t)dt
Ako f : (−∞, b] →R e integrabilna na sekoj interval [a, b], togax
Matematika II (za studenti po biologija) 43
funkcijata F (x) =b∫
x
f(t)dt e neprekinata na (−∞, b].
Definicija. Ako granicata limx→−∞
F (x) postoi i e koneqen broj,
velime deka funkcijata f(x) e integrabilna na (−∞, b] vo nesvoj-
stvena (neprava) smisla, a realniot broj limx→−∞
F (x) se narekuva
nesvojstven (neprav) integral na f(x) na (−∞, b]. Znaqi,
b∫
−∞
f(x)dx = limx→−∞
F (x) = limx→−∞
b∫
x
f(t)dt.
Definicija. Ako funkcijata f(x) e opredelena na (−∞,∞) i
integrabilna na intervalite (−∞, a] i [a,∞) za nekoj realen broj
a, togax+∞∫
−∞
f(x)dx =
∞∫
a
f(x)dx +
a∫
−∞
f(x)dx
Primer 1. I =
∞∫
0
e−xdx = limx→∞
x∫
0
e−tdt =
= limx→∞
(−e−t)∣∣∣
x
0= lim
x→∞(−e−x + e0) = lim
x→∞(1 − e−x) = 1 − 0 = 1.
Nesvojstveniot integral na (−∞,∞) na funkcijata f(x) se ra-
zlikuva od takanareqenata glavna vrednost (V.P.), koja se opre-
deluva na sledniot naqin:
(V.P.)
+∞∫
−∞
f(x)dx = limx→∞
+x∫
−x
f(t)dt.
Primer 2. Neka f(x) =x
1 + x2.
44 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
(V.P.)
+∞∫
−∞
x
1 + x2dx = lim
x→∞
+x∫
−x
t
1 + t2dt = lim
x→∞
1
2
+x∫
−x
2t
1 + t2dt =
=1
2limx→∞
(ln (1 + t2)
)∣∣∣
x
−x=
1
2limx→∞
[ln(1 + x2) − ln(1 + (−x)2)] =
=1
2limx→∞
ln1 + x2
1 + x2=
1
2lim
x→∞ln 1 =
1
2limx→∞
0 =1
2· 0 = 0.
Nesvojstveniot integral
+∞∫
−∞
x
1 + x2dx ne postoi, bidejki
∞∫
0
x
1 + x2dx
ne postoi. Navistina:
∞∫
0
x
1 + x2dx = lim
x→∞
x∫
0
t
1 + t2dt =
= limx→∞
1
2(ln(1 + t2))
∣∣∣
x
0=
1
2limx→∞
[ln(1 + x2) − ln 1] =
=1
2· ∞ = ∞.
Definicija. Ako funkcijata f(x) e opredelena na poluotvore-
niot interval [a, b), integrabilna na sekoj zatvoren interval so-
dran vo [a, b) i ako postoi koneqna granica limx→b−
∫ x
a
f(t)dt, togax
ovoj realen broj se narekuva nesvojstven (neprav) integral na
f(x) na [a, b) i se oznaquva so
b−∫
a
f(x)dx. Znaqi,
b−∫
a
f(x)dx = limx→b−
x∫
a
f(t)dt.
Definicija. Ako funkcijata f(x) e opredelena na poluotvore-
niot interval (a, b], integrabilna na sekoj zatvoren interval so-
dran vo (a, b] i ako postoi koneqna granica limx→a+
∫ b
x
f(t)dt, togax
Matematika II (za studenti po biologija) 45
ovoj realen broj se narekuva nesvojstven (neprav) integral na
f(x) na (a, b] i se oznaquva so
b∫
a+
f(x)dx. Znaqi,
b∫
a+
f(x)dx = limx→a+
b∫
x
f(t)dt.
Definicija. Za funkcijata f(x) opredelena na (a, b) i inte-
grabilna na (a, c] i [c, b)
b−∫
a+
f(x)dx =
c∫
a+
f(x)dx +
b−∫
c
f(x)dx.
Primer 3.
1∫
0+
lnxdx = limx→0+
1∫
x
ln tdt =
= limx→0+
(t ln t − t)∣∣∣
1
x= lim
x→0+[1 ln 1 − 1 − (x lnx − x)] =
= limx→0+
(−1 − x lnx + x) = −1 − limx→0+
lnx1
x
+ 0 =
= −1 − limx→0+
1
x
− 1
x2
= −1 + limx→0+
x2
x= −1 + lim
x→0+x = −1 + 0 = −1.
Ne e texko da se vooqi i geometriskoto tolkuvanje na nesvoj-
stvenite integrali, dokolku postojat. Na crteot, ploxtinite
na xrafiranite delovi se vsuxnost posoqenite nesvojstveni in-
tegrali.
46 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
2
DIFERENCIJALNI RAVENKI
2.1 Opxti poimi na obiqni diferencijalni ravenki
2.1.1 Definicija na obiqni diferencijalni ravenki
Neka y e nepoznata funkcija od nezavisna promenliva x, a
y, y′, y′′, . . . , y(n)
se nejzinite izvodi po x. Ravenkata
F (x, y, y′, y′′, . . . , y(n)) = 0 (1)
F (x, y(x), y′(x), y′′(x), . . . , y(n)(x)) = 0 (1′)
F
(
x, y,dy
dx,d2y
dx2, . . . ,
dny
dxn
)
= 0 (1′′)
se narekuva obiqna diferencijalna ravenka.
Sekoja funkcija y = f(x) koja ja zadovoluva diferencijalnata
ravenka (1) se narekuva rexenie ili integral na ravenkata (1).
Grafikot na funkcijata y = f(x) se narekuva integralna kriva.
Da se rexi ravenkata (1) znaqi da se najdat site funkcii y koi
identiqki ja zadovoluvaat ravenkata (1).
Najvisokiot izvod koj se pojavuva vo diferencijalnata ravenka
47
48 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
se narekuva red na ravenkata. Taka, ravenkata (1) e od n−ti red.
Zabelexka. Mono e vo edna diferencijalna ravenka od n−ti
red, da ne se pojavuvaat nezavisno promenlivata x, funkcijata y
ili nekoi od nejzinite izvodi osven n−tiot izvod.
Primer 1. Ravenkata y(4) =√
y′′′ pretstavuva edna diferenci-
jalna ravenka od 4−ti red. Da se rexi ovaa ravenka, znaqi da
se najdat site funkcii y = f(x) takvi xto kvadratniot koren od
nivniot 3−ti izvod e ednakov na nivniot 4−ti izvod.
Da proverime deka
y =8
60
x5
25+
x2
2+ x (∗)
e edno rexenie na dadenata ravenka.
Navistina,
y′ =x4
48+ x + 1, y′′ =
x3
12+ 1, y′′′ =
x2
4, y(4) =
x
2,√
y′′′ =x
2
t.e. (∗) ja zadovoluva y(4) =√
y′′′.
Sliqno se proveruva deka funkciite:
y =8
60
(x
2+ c1
)5
+ c2x2
2+ c3x + c4 (4)
kade c1, c2, c3, c4 se proizvolni realni broevi ja zadovoluvaat raven-
kata yIV =√
y′′′ t.e. beskoneqno mnogu funkcii, site zadadeni so
(4), se rexenija na dadenata ravenka.
Mnogu problemi od prirodnite nauki se sveduvaat na rexa-
vanje na diferencijalni ravenki.
Primer 2. Vo delot diferencijalno smetanje, (od kniga 1),
razgledavme eden primer na razmnouvanje na kolonija mikro-
organizmi. Pritoa, ako poqnuvajki od vreme x do vreme x + ∆x
(izminatoto vreme na nabljuduvanje na procesot e ∆x) brojnosta na
Matematika II (za studenti po biologija) 49
mikroorganizmite od m0 = m(x) (brojnost vo momentot na vremeto
x) se zgolemi na m1 = m(x + ∆x) (brojnost vo moment na vremeto
x + ∆x), srednata brzina na razmnouvanje na mikroorganizmite e
koliqnik od promenite na brojnosta na mikroorganizmite i vremeto
na nabljuduvanje na procesot ∆x t.e.
V razmnouvanje =∆m
∆x=
m(x + ∆x) − m(x)
∆x.
Vidovme deka brzinata na razmnouvanje vo momentot na vreme-
to x, pri brojnost m(x), se dobiva so matematiqkiot proces na
graniqna vrednost koga ∆x → 0 i e
Vmoment = lim∆x→0
∆m
∆x= m′(x) =
dm
dx.
Taka, ako go znaeme zakonot na razmnouvanje m(x), ke ja pres-
metame i momentnata brzina na razmnouvanjeto.
No, vo vakvi sluqai, najqesto e poznata poqetnata brojnost na
mikroorganizmite t.e. m0 = m(x) i od interes e presmetuvanjeto
na brojnosta m1 = m(x + ∆x) po nekoe izminato vreme ∆x, t.e. se
bara da se opredeli funkcijata m(x) koja ja dava zavisnosta na
brojnosta na mikroorganizmite od izminato vreme x.
Bidejki razgleduvame edna kolonija mikroorganizmi koja ivee
vo idealni uslovi, brojot
m(x + ∆x) − m(x) = M − N,
kade N e broj na novorodeni, a M e broj na umreni mikroorga-
nizmi vo period od ∆x vreme.
Brojot N na novorodenite zavisi od vremeto ∆x i od brojot
na roditelite m(x) i vo opxt sluqaj e nekoja funkcija F od tie
veliqini t.e. N = F (∆x, m(x)). No, od iskustvo, e poznato deka
e najqest linearniot sluqaj t.e. N da e pravoproporcionalno
so vremeto i brojnosta t.e. N = k1 · ∆x · m(x), kade k1 e koefi-
cient na razmnouvanje i toj e posebna karakteristika za sekoj
vid. Analogno, M = k2 · ∆x · m(x), kade k2 e koeficient na izumi-
50 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
ranjeto za toj vid i obiqno k2 < k1. Taka, dobivame
∆m = N − M = k1 · ∆x ·m(x) − k2 · ∆x · m(x) =
= (k1 − k2)∆x · m(x).
Razlikata k1 − k2 = k se narekuva koeficient na prirasnuva-
njeto na vidot. ili koeficient na prirodno rastenje na vidot.
Dobivame,∆m
∆x= k ·m(x), od kade zaradi diskusijata na poqetokot
imame:
V razmnouvanje =∆m
∆x= k · m(x) i
Vmoment = lim∆x→0
∆m
∆x= lim
∆x→0k · m(x) t.e.
Vmoment = m′(x) =dm
dx= k · m(x) t.e.
m′(x) = k · m(x) ili kratko m′ = k · m,
ako nezavisno promenlivata x ja ispuxtime vo zapixuvanjeto.
Dobienata ravenka m′ = k ·m ili
(dm
dx= k · m
)
pretstavuva edna
diferencijalna ravenka, po nepoznata funkcija m(x), i taa go
opixuva procesot na idealno rastenje. Ravenkata e od prv red
i se proveruva deka nejzinoto rexenie e m(x) = m0ekx, kade m0 e
poqetnata brojnost na mikroorganizmite t.e. vo x = 0, a m(x) e
brojnost po izminato vreme ∆x = x.
Navistina, za m(x) = m0ekx, m′(x) = m0 · kekx = k · m0e
kx = km(x)
t.e. m′(x) = k · m(x), (m′ = k · m).
Zabelexka. Rexenieto na dobienite ravenki e poznato pod
imeto Maltusov zakon i veke go sretnavme vo nekoi prethodni
primeri t.e. do nego dojdovme na drug naqin (vidi brojot e).
Primer 3. Da se najde zakonot za pominat pat s, vo zavis-
nost od vremeto x, na nekoe telo koe se dvii pravoliniski i
neramnomerno, i za koe se znae deka brzinata e dadena funkcija
Matematika II (za studenti po biologija) 51
od vremeto, t.e. brzinata na dvienjeto na teloto vo zavisnost od
vremeto x e poznata funkcija f(x).
Od ona xto dosega sme go nauqile ([7])
V =∆s
∆xt.e. Vmoment = lim
∆x→0
∆s
∆x= s′(x) =
dx
dx.
Vo naxiot primer zakonot za Vmoment e daden t.e. Vmoment =
f(x) pa dobivame s′(x) = f(x) t.e.ds
dx= f(x) e ravenkata koja go
opixuva procesot na edno pravolinisko i neramnomerno dvienje.
So rexavanje na ravenkata se dobiva deka:
s(x) = s0 +
x∫
x0
f(x)dx,
kade s0 e poqetnata poloba na teloto, koja odgovara na poqetnoto
vreme x0.
Postojat uxte mnogu primeri od prirodnite nauki, no isto
tolku i od ekonomskite ili nekoi drugi opxtestveni nauki. Voop-
xto, sekade kade xto ima nekoi zavisnosti na edna od druga veli-
qina, t.e. funkcija koja go opixuva nekoj proces i ako taa funk-
cija e nepoznata, najqesto nejzinoto naoganje e so pomox na rexa-
vanje na diferencijalni ravenki koi go opixuvaat toj proces.
2.1.2 Integrali na diferencijalni ravenki
Neka e dadena diferencijalnata ravenka od n−ti red,
f(x, y, y′, y′′, . . . , y(n)) = 0 (1)
Se pokauva deka postoi edna familija na krivi linii vo
ramninata definirani so ravenkata
y = ϕ(x, c1, c2, . . . , cn) (2)
ili vo oblik
Ψ(x, y, c1, c2, . . . , cn) = 0 (3)
52 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
koja sodri n proizvolni konstanti c1, c2, . . . , cn, takvi xto iden-
tiqki ja zadovoluvaat ravenkata (1) za proizvolni vrednosti na
konstantite c1, c2, . . . , cn.
Ravenkite (2) i (3) pretstavuvaat opxt integral na diferen-
cijalna ravenka (1), odnosno integralna kriva koja zavisi od
n−parametri c1, c2, . . . , cn. Ako vo (2) ili (3) edna ili poveke od
proizvolnite konstanti c1, c2, . . . , cn dobijat odredeni (konkretni)
vrednosti, togax ravenkata (2) ili (3) pretstavuva partikularen
integral na ravenkata (1).
Znaqi, partikularnite integrali na nekoi diferencijalni ra-
venki se dobivaat od opxtiot integral so davanje na konkretni
vrednosti na konstantite c1, c2, . . . , cn. Konstantite c1, c2, . . . , cn se
narekuvaat integracioni konstanti.
Proizvolnite konstanti c1, c2, . . . , cn vo (2) ili (3) moe da se
odredat od uslovot funkcijata y i nejzinite izvodi y′, y′′, . . . , y(n−1)
da dobijat odredeni vrednosti y0, y′0, y
′′0 , . . . , y
(n−1)0 za x = x0. Ovie
vrednosti y0, y′0, . . . , y
(n−1)0 za x = x0, se narekuvaat poqetni vred-
nosti ili poqetni uslovi.
2.1.3 Formiranje na diferencijalna ravenka
Neka e dadena familijata krivi linii vo ramninata, defini-
rani so ravenkite:
f(x, y, c1, c2, . . . , cn) = 0, (1)
koja zavisi od n−proizvolni konstanti, parametri c1, c2, . . . , cn.
Ako vo (1) zemame izvod po x n−pati, smetajki deka y e funkcija od
x, ke dobieme n−ravenki. So eliminacija na c1, c2, . . . , cn od n−te
dobieni ravenki i od (1) ke dobieme ravenka od oblik:
ϕ(x, y, y′, . . . , y(n)) = 0 (2)
Pritoa, od naqinot na dobivanje, jasno e deka (1) ke pretstavuva
Matematika II (za studenti po biologija) 53
rexenie na diferencijalna ravenka (2).
Primer 1. Site pravi koi minuvaat niz toqkata (a, b), se
dadeni so ravenkata y − b = k(x − a), k ∈R.
Ako pobarame izvod vo gornata ravenka po x, dobivame
y′ − 0 = k(1 − 0) t.e. y′ = k.
Od sistemot ravenki
y − b = k(x − a)
y′ = k
so eliminacija na k, se dobiva, y−b = y′(x−a), t.e. diferencijalna
ravenka od prv red, koja gi opixuva site pravi xto minuvaat niz
edna toqka (a, b) i qij opxt integral (rexenie) e y − b = k(x − a).
Primer 2. Familijata na krunici definirani so ravenkata
(x − a)2 + (y − b)2 = r2 (∗)
zavisi od tri parametri a, b, r.
Zatoa, vo ravenkata (∗) ke presmetame izvod po x, (smetajki
deka y e funkcija xto zavisi od x) do 3−ti red. Na toj naqin gi
dobivame slednite tri ravenki:
2(x − a) + 2(y − b)y′ = 0 t.e. (x − a) + (y − b)y′ = 0 (1′)
1 + y′ · y′ + (y − b)y′′ = 0 t.e 1 + y′2 + (y − b)y′′ = 0 (2′)
2y′ · y′′ + y′y′′ + (y − b)y′′′ = 0 t.e. 3y′y′′ + (y − b)y′′′ = 0. (3′)
54 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
So eliminacija na b od (3′) i zamena vo (2′), dobivame diferen-
cijalna ravenka y′′′(1 + y′2) − 3y′y′′2 = 0, qie rexenie se site kru-
nici zadadeni so (∗).
2.2 Obiqni diferencijalni ravenki od prv red
Vo ovoj del ke navedeme nekoi vani vidovi na diferencijalni
ravenki koi moe da se rexat so pomox na obiqni integracii,
bez da se vpuxtime vo egzistencija na rexenie na diferencijalna
ravenka.
2.2.1 Metod na razdvojuvanje na promenlivite
Za da moe edna diferncijalna ravenka da se integrira (rexi)
na ovoj naqin, prvo mora da se razdvojat promenlivite, t.e. raven-
kata se zapixuva taka xto na ednata strana na ravenkata se naoga
ednata promenliva i nejziniot diferncijal, a na drugata strana
drugite promenlivi i nejziniot diferencijal.
I. Diferencijalnata ravenka
dy
dx= f(x)
moe da se napixe vo oblikot
dy = f(x)dx.
Ako poslednata ravenka ja integrirame, dobivame
∫
dy =
∫
f(x)dx + c, t.e. y =
∫
f(x)dx + c
e rexenieto na dadenata diferencijalna ravenka.
Primer 1. Da se rexi y′ = 2x2 + 3.
Matematika II (za studenti po biologija) 55
Rexenie. y′ = 2x3 + 3 ⇔ dy
dx= 2x2 + 3 ⇔ dy = (2x3 + 3)dx. Pa,
y =
∫
(2x2+3)dx = 2x3
3+3x+c e rexenie na dadenata diferencijalna
ravenka.
II. Diferencijalnata ravenka
dy
dx= f(y)
moe da se napixe vo oblikot
dy
f(y)= dx.
Nejziniot opxt integral se dobiva od
∫dy
f(y)=
∫
dx + c t.e. e∫ dy
f(y)= x + c.
Primer 2. Da se rexi y′ − y = 0.
Rexenie. y′ − y = 0 ⇔ dy
dx= y ⇔ dy
y= dx. Pa,
∫dy
y=
∫
dx, t.e.
ln y = x + c t.e. y = ex+c = ex · ec, od kade so zamena ec = c1, dobivame
y = c1ex e rexenie na dadenata diferencijalna ravenka.
III. Diferencijalnata ravenka
dy
dx= f(x)g(y)
moe da se napixe vo oblikot
dy
g(y)= f(x)dx,
od kade se dobiva nejziniot opxt integral∫dy
g(y)=
∫
f(x)dx + c.
Primer 3. Da se rexi (1 + x2)y′ − y2 − 1 = 0.
56 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Rexenie. (1 + x2)y′ − y2 − 1 = 0 ⇔ (1 + x2)dy
dx= 1 + y2 ⇔
⇔ dy
dx=
1 + y2
1 + x2⇔ dy
1 + y2=
dx
1 + x2.
So integracija na poslednata ravenka, dobivame∫ dy
1 + y2=
∫dx
1 + x2t.e. arctgy = arctgx + c t.e. y = tg(arctgx + c)
e rexenie na dadenata diferencijalna ravenka.
IV. Ako e dadena diferencijalna ravenka od oblikot
dy
dx= f(ax + by + c) kade a, b, c ∈R
togax voveduvame smena u = ax + by + c, kade u e nova nepoznata
funkcija. So diferenciranje na u = ax + by + c po x, dobivame
u′ = a + b · y′, t.e. y′ =1
b(u′ − a),
pa dadenata diferencijalna ravenka go dobiva oblikot1
b(u′−a) =
f(u), t.e.
u′ = b · f(u) + a ⇔ du
dx= b · f(u) + a.
Vo poslednata ravenka moe da se razdvojat promenlivite, pa
taa e ekvivalentna so
du
b · f(u) + a= dx,
a nejziniot integral e
∫du
b · f(u) + a= x + c,
od kade posle integriranje so smena u = ax + by + c, treba da se
vratime na prvobitnata funkcija y.
Primer 4. Da se rexi ravenkata y′ = (x + y)2.
Rexenie. Stavame smena u = x + y, od kade so diferenciranje
se dobiva u′ = 1 + y′, pa
Matematika II (za studenti po biologija) 57
y′ = (x + y)2 ⇔ u′ − 1 = u2 ⇔ du
dx= u2 + 1 ⇔ du
u2 + 1= dx.
Sleduva
∫du
u2 + 1=
∫
dx, t.e. arctgu = x + c ili u = tg(x + c).
Koneqno, y = u − x = tg(x + c) − x e rexenie na dadenata dife-
rencijalna ravenka.
2.2.2 Homogena diferencijalna ravenka od prv red
Diferencijalnata ravenka
dy
dx= f
(y
x
)
se narekuva homogena diferencijalna ravenka od prv red.
Zabelexka. Dadenata diferencijalna ravenka ne se menuva
ako vo nea x se zameni so kx, a y so ky.
Za da se rexi ovaa ravenka, se vrxi smena:
y
x= u ⇔ y = u · x,
kade u e nova nepoznata funkcija od x.
So diferenciranje na y = u · x po x dobivame
y′ = u′x + u.
So zamena na y′ = u′x + u iy
x= u vo dadenata diferencijalna
ravenka se dobiva
u′x + u = f(u) t.e. xdu
dx= f(u) − u.
So razdvojuvanje na promenlivite vo poslednata ravenka, se
dobiva
du
f(u) − u=
dx
xpa
∫ du
f(u) − u= lnx + ln c.
58 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Po rexavanje na integralot, so smenatay
x= u, treba da se vratime
na prvobitnata funkcija y.
Primer 1. Da se rexi diferencijalna ravenka
x(y − x)y′ − y2 = 0.
Rexenie. x(y − x)y′ − y2 = 0 ⇔ y′ =y2
x(y − x)⇔ dy
dx=
(y
x
)2
y
x− 1
.
Stavame smena u =y
x, pa y′ = u′x + u, od kade se dobiva
du
dx=
(y
x
)2
y
x− 1
⇔ u′x + u =u2
u − 1⇔ x
du
dx=
u2
u − 1− u ⇔
⇔ xdu
dx=
u
u − 1⇔ u− 1
udu =
1
xdx.
So integriranje, dobivame:
∫ (u − 1
u
)
du =
∫1
xdx, t.e.
∫ (
1 − 1
u
)
du =
= lnx + ln c t.e. u − lnu = lnx + ln c = ln(cx)
u = lnu + ln cx = ln(ucx), t.e. cux = eu.
Ako vo poslednata ravenka, stavime xu = y, se vrakame na pr-
vobitnata funkcija y i go dobivame rexenieto
c · y = e
y
x .
2.2.3 Linearna diferencijalna ravenka od prv red
Diferencijalnata ravenka od oblik
dy
dx+ f(x)y + g(x) = 0 (1)
Matematika II (za studenti po biologija) 59
kade f(x) i g(x) se funkcii od nezavisno promenliva x, se narekuva
linearna diferencijalna ravenka od prv red.
Za da se rexi ovaa ravenka, prvo ja zapixuvame vo oblikot
y′
y+ f(x) +
g(x)
y= 0 (2)
i stavamey′
y+ f(x) =
z′
z, (3)
kade z e nova nepoznata funkcija.
Ako poslednata diferencijalna ravenka ja integrirame po x,
dobivame ∫y′
ydx +
∫
f(x)dx =
∫z′
zdx t.e.
ln y +
∫
f(x)dx = ln z t.e. ln y − ln z = −∫
f(x)dx
t.e.
ln(y
z
)
= −∫
f(x)dx,
pa
y = ze−R
f(x)dx. (4)
So zamena na (4) i (3) vo (2), se dobiva
z′
z+
g(x)
ze−R
f(x)dx= 0, t.e.
dz
dx+ g(x)e
R
f(x)dx = 0,
od kade so razdvojuvanje na promenlivite i integriranje, dobi-
vame:
z = c −∫
g(x)eR
f(x)dxdx (5)
Od (4) i (5), koneqno dobivame rexenie na (1) t.e.
y =
(
c −∫
g(x)eR
f(x)dxdx
)
e−R
f(x)dx (6)
Primer 1. Da se rexi ravenkata
y′ + y cos x− sinx cos x = 0.
60 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Rexenie. Ova e linearna ravenka, kade f(x) = cosx, a g(x) =
− sinx cos x. Stavajkiy′
y+ cosx =
z′
z, qie rexenie, zaradi (4) e
y = ze−R
cos xdx = ze− sinxdx, dadenata ravenka go dobiva oblikot
dz
dx+ (− sin x cosx)e
R
cosxdx = 0 t.e.
dz
dx− sinx cos xesinx = 0.
So razdvojuvanje na promenlivite, vo poslednata ravenka, i
integriranje, se dobiva
z + c =
∫
sinx cos xesinxdx.
Posledniot integral, so smenata t = sinx, dt = cos xdx go dobiva
oblikot ∫
sin x cosxesinxdx =
∫
tetdt.
So parcijalnata integracija
u = t, dv = etdt
du = dt, v = et
dobivame
∫
sinx cos xesinxdx =
∫
tetdt = tet −∫
etdt = tet − et = sinxesinx − esinx.
Sleduva z = −c+sinxesinx − esinx, a bidejki y = ze− sinx, dobivame
deka rexenieto na dadenata ravenka e
y = −ce− sinx + sinx − 1.
2.2.4 Bernulieva diferencijalna ravenka
Ravenkatady
dx+ f(x)y + g(x)yn = 0, (1)
kade f(x) i g(x) se funkcii od x, a n e konstanta razliqna od 0 i
1, se narekuva Bernulieva ravenka. Za da se rexi ravenkata (1),
Matematika II (za studenti po biologija) 61
prvo ja zapixuvame vo oblikot
y′
y+ f(x) +
g(x)yn
y= 0, (2)
i stavamey′
y+ f(x) =
z′
z, (3)
kade z e nova nepoznata funkcija. Posle integracija, kako vo
delot 2.2.3, dobivame
y = ze−R
f(x)dx. (4)
So zamena na (3) i (4) vo (2) se dobiva
z′
z+ g(x)
(
ze−R
f(x)dx)n−1
= 0 t.e.
z′
z+ zn−1g(x)e(1−n)
R
f(x)dx = 0 t.e.
dz
dx+ zng(x)e(1−n)
R
f(x)dx = 0.
Vo poslednata ravenka, po razdvojuvanje na promenlivite i in-
tegriranje go dobivame rexenieto z. So zamena na rexenieto z vo
(4) se dobiva rexenieto y.
Primer 1. Da se rexi ravenkata xy′ + y − y2 log x = 0.
Rexenie. xy′ + y − y2 lnx = 0 ⇔ y′ +1
xy − lnx
xy2 = 0.
Stanuva zbor za Bernulieva ravenka vo koja f(x) =1
x, g(x) =
− lnx
xi n = 2.
So smenatay′
y+
1
x=
z′
z, dobivame y = ze−
R
1xdx = ze− ln x =
z
x, pa
dadenata ravenka go dobiva oblikot
z′
z=
lnx
xy t.e.
z′
z=
lnx
x· z
xt.e.
dz
dx= z2 lnx
x2
62 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Od ovde so razdvojuvanje na promenlivite i integriranje, imame
dz
z2=
lnx
x2dx t.e.
∫dz
z2=
∫lnx
x2dx
t.e.
−1
z+ c =
∫lnx
x2dx.
Posledniot integral go rexavame so parcijalna integracija, stavajki
u = lnx, dv =1
x2dx i du =
1
xdx, v = −1
x.
∫lnx
x2dx = −1
xlnx −
∫
−1
x· 1
xdx = −1
xlnx +
∫1
x2dx =
= −1
xlnx− 1
x.
Sleduva
−1
z+ c = −1
xlnx − 1
x
t.e.1
z=
1
xlnx +
1
x+ c =
lnx + 1 + cx
x
pa
z =x
lnx + cx + 1.
Zaradi y =z
x, dobivame
y =1
lnx + cx + 1
e baranoto rexenie.
3
ELEMENTARNA KOMBINATORIKA I VEROJATNOST
3.1 Elementarna kombinatorika
3.1.1 Voved
Kombinatorikata izuquva rasporeduvanje na elementi vo ne-
koe dadeno mnoestvo. Vo kombinatorikata se prouquvaat diskre-
tni mnoestva t.e. mnoestva sostaveni od odvoeni, izolirani
elementi. Vo najgolem broj na sluqai, tie mnoestva se koneqni,
no se prouquvaat i beskoneqni mnoestva. Vo ovoj del ke raz-
gledame dve kombinatorni zadaqi. Prvata zadaqa e da se ispita
dali postoi ili ne postoi zamislen raspored na elementite od
dadenoto mnoestvo. Problemi od ovoj vid se narekuvaat prob-
lemi na postoenje - egzistencija. Drugata zadaqa podrazbira
deka postoenjeto na odreden raspored e poznat ili oqigleden fakt
i se bara da se presmeta brojot na takvite rasporedi ili nivno
klasificiranje spored nekoe svojstvo. Problemite od ovoj vid se
narekuvaat problemi na prebrojuvanje.
3.1.2 Dva osnovni principa vo kombinatorikata
Pri izveduvanje na dokazi vo kombinatorikata qesto se prime-
63
64 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
nuvaat dvata osnovni principa (ili samo eden od niv) na prebro-
juvanje. Prviot od tie principi e sugeriran od sledniot primer.
Primer 1. Dve kocki se frlaat istovremeno. Na kolku naqini
moe da se dobie zbir 9 ili zbir 11.
Rexenie. Zbirot 9 se dobiva na eden od slednite naqini:
(6, 3), (5, 4), (4, 5) i (3, 6), kade prviot broj vo malata zagrada oz-
naquva kolku toqki se dobieni na prvata kocka, a vtoriot broj oz-
naquva kolku toqki se dobieni na vtorata kocka. Od druga strana,
zbirot 11 se dobiva na eden od slednite naqini: (6, 5), (5, 6). Bro-
jot na baranite naqini se dobiva so sobiranje na brojot na naqini
na koi moe da se dobie 9 (niv gi ima 4) i brojot na naqini na
koi moe da se dobie 11 (niv gi ima 2). Zakluquvame deka 9 ili
11 moe da se dobie na vkupno 6 naqini.
Princip na zbir. Ako objektot P moe da se izbere na m
naqini, a opjektot Q na n naqini, togax izborot na bilo objektot
P bilo objektot Q moe da se izvrxi na m + n naqini. Drugiot
princip e sugeriran od sledniot primer.
Primer 2. Od mestoto A do mestoto B vodat 4 razliqni pata, a
od mestoto B do mestoto C vodat 3 razliqni pata. Kolku razliqni
pata vodat od mestoto A do mestoto C?
Rexenie. Ke se posluime so sledniot crte.
Ako sakame da stigneme od A do B moe da izbereme eden od
4-te pata, obeleani so 1, 2, 3 ili 4. Ako na primer sme go izbrale
patot 1 i stigneme vo B, imame 3 monosti za prodoluvanje na
patot (so cel da stigneme do C). Ako prodolime po patot oznaqen
so 1′, togax patot od A do C go obeleuvame so 1, 1′.
Zabeleuvame deka ako sme go izbrale patot 1 od A do B, sega
imame 3 monosti da stigneme do C i toa: 1, 1′; 1, 2′; 1, 3′. Sliqno,
Matematika II (za studenti po biologija) 65
ako sme go izbrale patot 2 od A do B, imame novi tri monosti:
2, 1′; 2, 2′; 2, 3′. Sliqno, ako sme go izbrale patot 3, imame mo-
nosti: 3, 1′; 3, 2′; 3, 3′, a pri izborot 4 od A do B, imame monosti:
4, 1′; 4, 2′; 4, 3′. Znaqi, vkupen broj na monosti e 4 · 3 = 12, t.e. ima
12 moni naqini da se stigne od A do C.
Princip na proizvod. Ako objektot P moe da se izbere na
m naqini i ako, posle sekoj takov izbor, objektot Q moe da se
izbere na n naqini, togax izborot na parot (P, Q), vo naznaqeniot
redosled, moe da se izvrxi na m · n naqini.
Ovie dva principa, zaradi pojasnuvanje, ke gi iskaeme i na
drug naqin. Pritoa, pretpostavuvame deka zborot ”nastan” ima
dovolno odredeno znaqenje kaj qitatelot. Pokasno, ke se zadrime
malku poveke kaj ovoj poim.
Princip na zbir. Ako P i Q se dva nastana koi ne moe da se
pojavat (sluqat) istovremeno i ako nastanot P moe da se sluqi
na m naqini, a nastanot Q moe da se sluqi na n naqini, togax,
ima m + n naqini da se sluqi bilo nastanot P bilo nastanot Q.
Princip na proizvod. Ako nastanot P moe da se sluqi na
m naqini i otkako nastanot P se sluqil, nastanot Q moe da se
sluqi na n naqini, togax dvata nastana, P i Q (zemeni vo toj
redosled) moe da se sluqat na m · n naqini.
Dvata principa moe da se obopxtat. Ke go iskaeme samo
obopxteniot princip na proizvod.
Obopxten princip na proizvod. Ako nastanot A1 moe da se
sluqi na m1 razliqni naqini, i otkako A1 se sluqil, nastanot A2
moe da se sluqi na m2 razliqni naqini, itn., i najposle, otkako
site nastani A1, A2, . . . , Ak−1 se sluqile, ako nastanot Ak moe da
se sluqi na mk razliqni naqini, togax nastanite A1, A2, . . . , Ak
(zemeni vo toj redosled) moe da se sluqat na m1·m2·...·mk raliqni
naqini.
66 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.1.3 Voveduvanje na dvata osnovni poimi vo kombinatori-
kata: permutacija i kombinacija
So pomox na slednite dva primera ke gi vovedeme dvata os-
novni poimi vo kombinatorika t.e permutacija i kombinacija.
Za taa cel, neka pod ”zbor” ja podrazbirame sekoja koneqna niza
od bukvi vo nekoja azbuka na primer, makedonskata, napixani edna
pozadi druga, kako xto pixuvame vo naxata azbuka. Taka, AKT e
zbor formiran od bukvite A, K i T, no soglasno naxata defini-
cija i KTA e zbor, iako nema znaqenje vo naxiot jazik. Jasno,
AKT i KTA se razlikuvaat megu sebe.
Primer 1. Kolku zborovi od tri bukvi moe da se formiraat
od bukvite A, K, M i T, zemajki deka niedna bukva ne smee da se
pojavuva vo zborot poveke od ednax?
Primer 2. Vo ramninata se dadeni qetiri toqki A, K, M i
T takvi xto nikoi tri od niv ne leat na ista prava. Kolku
razliqni triagolnici formiraat ovie toqki?
Na prv pogled se qini deka odgovorite na ovie dve praxanja
se isti, t.e. deka formirame koneqni nizi od 3 od dadenite 4
bukvi. No, toa ne e toqno. Taka, zborovite KAM i MAK se dva
razliqni zbora, dodeka 4KAM e ist so 4MAK t.e. vo prviot
primer megusebniot raspored na elementi e vaen dodeka vo vto-
riot primer megusebniot raspored na elementi ne e vaen, t.e.
4KAM i 4MAK se vsuxnost eden ist triagolnik. Velime, vo
prviot primer imame podreden izbor na tri objekti (bukvi)
od 4, a vo vtoriot primer imame nepodreden izbor na 3 objekti
(bukvi) od 4 t.e. izbirame podmnoestvo so 3 elementi od dadeno
mnoestvo od 4 elementi. Taka, odgovorot na Primer 1 e:
AKM AKT ATM TKM
AMK ATK AMT TMK
KMA TKA MTA KMT
Matematika II (za studenti po biologija) 67
KAM TAK MAT KTM
MAK KAT TAM MTK
MKA KTA TMA MKT
t.e. vkupno 24 zborovi.
Xto se odnesuva na praxanjeto od vtoriot primer, zabeleu-
vame deka site triagolnici od prvata kolona se eden ist triagol-
nik, site od vtorata se eden ist triagolnik, i sliqno zakluquvame
za triagolnicite od tretata i qetvrtata kolona.
Znaqi, odgovorot na vtoroto praxanje e 4 triagolnici.
Objektite od prviot primer se permutacii, a od vtoriot pri-
mer se kombinacii.
Kaj permutacii e vaen megusebniot raspored na elementite
vo nizata. Ako A × A × · · · × A︸ ︷︷ ︸
k
= e direkten proizvod na mnoes-
tvoto A zemeno k pati, t.e.
A × A × · · · ×A︸ ︷︷ ︸
k
= (a1, a2, . . . , ak) | ai ∈ A
i ako oznaqime
(a1, a2, a3 . . . , ak) ≡ a1a2a3 . . . ak,
togax permutacijata a1, a1, ..., ak e element na direktniot pro-
izvod A × A × · · · ×A︸ ︷︷ ︸
k
.
Kaj kombinaciite ne e vaen megusebniot raspored. Ako za
ai ∈ A, oznaqime
a1, a2, . . . , ak ≡ a1a2 . . . ak,
togax kombinacijata a1, a1, ..., ak e podmnoestvo od mnoestvoto
A.
68 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.1.4 Varijacii i presmetuvanje na broj na site varijacii
na dadeno mnoestvo
Neka A e mnoestvo so n razliqni elementi. Sekoj element na
direktniot proizvod A ×A × · · · × A︸ ︷︷ ︸
k
(A zemeno k pati) se narekuva
k permutacija so povtoruvanje od n elementi ili varijacija
so povtoruvanje od klasa k od n elementi.
Taka, ako vo prviot primer, dopuxtavme da se formiraat i
zborovi vo koi bukvite se pojavuvaat i poveke od ednax, t.e. zboro-
vi od oblikot AAK, AKA, AAA, itn ..., ke dobieme mnoestvo od
varijacii so povtoruvanje od klasa 3 od 4 elementi.
So Vk
n go oznaquvame brojot na varijacii so povtoruvanje od
klasa k od n elementi.
Teorema 1. Vk
n = nk.
Taka, noviot Primer 1. (so dopuxtanje na poveke od edno po-
javuvanje na bukvi vo zbor), ke sodri 43 = 64 zborovi.
Sekoja varijacija od klasa k od n elementi, vo koja site ele-
menti se razliqni, se vika varijacija bez povtoruvanje od klasa
k od n elementi.
Primer 1 e primer na varijacija bez povtoruvanje od klasa 3
od 4 elementi.
So V kn go oznaquvame brojot na varijacii bez povtoruvanje od
klasa k od n elementi.
Teorema 2. V kn = n(n − 1)(n − 2) . . . (n − k + 1), k ≤ n.
Vo Primer 1, V 34 = 4(4 − 1)(4 − 2) = 4 · 3 · 2 = 24, (n − k + 1 =
4 − 3 + 1 = 4 − 2).
Matematika II (za studenti po biologija) 69
3.1.5 Permutacii i presmetuvanje broj na site permutacii
na dadeno mnoestvo
Sekoja varijacija bez povtoruvanje od klasa k od k elementi se
nareluva permutacija bez povtoruvanje od k elementi.
Primer 1. Da se formiraat site zborovi od 4 bukvi, A, K, M
i T i pritoa sekoja bukva se javuva, toqno ednax vo zborot.
Primer 2. Da se formiraat site qetiricifreni broevi od
cifrite 1, 2, 3 i 4 pri xto cifrite ne se povtoruvaat.
Imame:
AKMT AKTM ATMK TKMA
AMKT ATKM AMTK TMKA
KMAT TKAM MTAK KMTA
KAMT TAKM MATK KTMA
MAKT KATM TAMK MTKA
MKAT KTAM TMAK MTKA
t.e. vkupno 24.
Primer 3. Da se formiraat site permutacii bez povtoruvanje
od DNA sekvencata AGTC.
AGTC GTCA TCAG CAGT
AGCT GTAC TCGA CATG
ACGT GACT TAGC CTAG
ACTG GATC TACG CTGA
ATCG GCAT TGAC CGAT
ATGC GCTA TGCA CGTA
Brojot na permutacii bez povtoruvanje e ednakov na
P4 = 4 · (4 − 1) · (4 − 2) · (4 − 3) = 4! = 24
Primer 4. Da se formiraat site permutacii od RNA sekven-
cata AUCG.
70 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
So Pk - go oznaquvame brojot na permutacii bez povtoruvanje
od k elementi.
Teorema 1. Pk = k! = k(k − 1)(k − 2) . . . 2 · 1.
Dokaz.
V kk = Pk = k(k − 1)(k − 2) . . . (k − k + 1) = k(k − 1)(k − 2) . . . 1 = k!.
Vo permutaciite bez povtoruvanje site elementi vo permutaci-
jata se razliqni. Moe da se sluqi nekoi od elementite da se ed-
nakvi. Taka dobivame permutacija so povtoruvanje. Na primer,
neka se dadeni elementite a, a, a, b. Ako tie bea razliqni megu
sebe, ke imavme 4! = 24 permutacii. No vo ovoj sluqaj gi imame
samo 4-te permutacii
aaab, aaba, abaa, baaa
bidejki 3! = 6 permutacii na 4 razliqni elementi a, b, c, d se svedu-
vaat na edna permutacija na a, a, a, b. (bidejki elementite a, b, c se
permutiraat na 3! = 6 razliqni naqini koixto ne se razliqni za
a, a, a). Taka, brojot se dobiva koga brojot 4! na permutacii, koga
tie se razliqni se podeli so 3! t.e.4!
3!= 4 e broj na permutacii
so povtoruvanje od naxiot primer.
Vo opxt sluqaj vai slednava teorema.
Teorema 2. Neka A e mnoestvo koexto ima k elementi od koi
k1 se ednakvi megu sebe, k2 se ednakvi megu sebe,. . . , kp se ednakvi
megu sebe i k1 + k2 + · · · + kp = k. Togax brojot na permutacii so
povtoruvanje e
Pk(k1, k2, . . . , kp) =k!
k1!k2! · kp!.
Primer 5. Kolku permutacii moe da se formiraat od bukvite
na zborovite:
a) KIKIRIKI
Matematika II (za studenti po biologija) 71
b) ROZOVO?
Rexenie. a) k = 8, k1 = 3, k2 = 4, k3 = 1
3 + 4 + 1 = 8
P8(3, 4, 1) =8!
3!4!1!=
8 · 7 · 6 · 5 · 4!3 · 2 · 1 · 4! = 8 · 35 = 280
b) k = 6, k1 = 1, k2 = 3, k3 = 1, k4 = 1
1 + 3 + 1 + 1 = 6
P6(1, 3, 1, 1) =6!
1!3!1!1!= 6 · 5 · 4 = 120.
Primer 6. Kolku permutacii moat da se formiraat od
a) povtoruvaqkata sekvenca TATAATATAT
b) PLAZMA
Rexenie. a) k = 10, k1 = 5, k2 = 5
P10 (5, 5) =10!
5!5!=
10 · 9 · 8 · 7 · 6 · 5!5! · 5 · 4 · 3 · 2 = 252
b) k = 6, k1 = 2, k2 = k3 = k4 = k5 = 1,
P6 (2) =6!
2!= 360
Primer 7. Kolku permutacii moat da se formiraat od
a) ADRENALIN
b) ERITROCITI
3.1.6 Kombinacii i presmetuvanje broj na site kombinacii
na dadeno mnoestvo
Sekoj izbor na k elementi od mnoestvo od n razliqni ele-
menti, bez ogled na nivniot meguseben redosled, se vika kombi-
nacija bez povtoruvanje od klasa k od n elementi.
72 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Ili, sekoe podmnoestvo xto se sostoi od k elementi, od dadeno
mnoestvo od n razliqni elementi, e kombinacija bez povtoru-
vanje od klasa k od n elementi.
Teorema 1. Brojot na kombinacii bez povtoruvanje od klasa k
od n-elementi e ednakov na
Ckn =
n!
k!(n − k)!.
Primer 1. Na eden turnir uqestvuvale 6 kluba. Sekoj od
niv treba da odigra so drugite po eden natprevar. Kolku vkupno
natprevari ke se odigraat?
Rexenie. C26 =
6!
2!(6 − 2)!=
6!
2!4!=
6 · 5 · 4!2 · 4! = 3 · 5 = 15.
3.2 Teorija na verojatnost
3.2.1 Sluqaen eksperiment. Sluqaen nastan
Mnogu pojavi vo prirodata i opxtestvoto se sluquvaat po to-
qno opredeleni zakoni i sekogax koga opredeleno mnoestvo uslo-
vi e ispolneto. Zakonite od ovoj vid se narekuvaat determini-
rani. Takvi se, na primer, Maltusov zakon vo biologija, Njut-
novi zakoni vo fizika i mnogu drugi zakoni koi se otkrieni so
nabljuduvanje na pojavite.
Megutoa, vo prirodata i opxtestvoto postojat pojavi za koi ne
vaat zakoni od ovoj tip, t.e. postojat pojavi kaj koi pri ispol-
nuvanje na odredeni uslovi, nekoj nastan nekogax se realizira,
a nekogax ne se realizira. Vakvite nedeterminirani pojavi se
predmet na izuquvanje na teorijata va verojatnost.
Qest poim vo teorijata na verojatnost e poimot eksperiment.
Za da go objasnime ovoj poim ke navedeme nekolku primeri.
Primer 1. Ako frlame moneta na tvrda, horizontalna i mazna
podloga, na gornata strana od monetata ke se pojavi ili grb\ ili
Matematika II (za studenti po biologija) 73
pismo\. So frlanjeto na monetata sme izvrxile eden eksperiment
qij xto rezultat (ishod) moe da bide eden od nastanite:
a) Na gornata strana na monetata se pojavil grb\,
b) Na gornata strana na monetata se pojavilo pismo\.
Primer 2. Neka eksperimentot se sostoi vo istovremeno fr-
lanje na bela i crvena kocka za igranje na tvrda, horizontalna i
mazna povrxina. Eden od naqinite za opixuvanje na rezultatot
od ovoj eksperiment e rezultatot da se pretstavi kako podreden
par (x, y), kade x e brojot na toqkite xto se pojavile na belata
kocka, a y e brojot na toqkite xto se pojavile na crvenata kocka.
Da zabeleime deka x, y ∈ 1, 2, 3, 4, 5, 6.Primer 3. Felingovata proba se koristi za dokauvanje na
jaglehidrati (monosaharidi). Ako vo rastvor so nepoznata so-
drina dademe Felingov reagens moni se dva nastani:
a) rastvorot da ne ja promeni bojata;
b) rastvorot da se oboi crveno.
Primer 4. Benzidinskata proba se koristi za detekcija na
malo koliqestvo na krv, najqesto se koristi vo sudskata medic-
ina. Dobieniot primerok se tretira so benzidin, moni se dva
nastani:
a) da se oboi primerokot sino zeleno;
b) primerokot da ne ja promeni bojata;
Sekoja realizacija na opredeleno mnoestvo uslovi ja nareku-
vame eksperiment, E. Sekoj rezultat od eksperimentot E go
narekuvame nastan xto e vo vrska so eksperimentot E.
Nastanite, voobiqaeno, gi oznaquvame so golemite bukvi od
latinskata azbuka.
Neka E e eksperiment i neka A e proizvolen nastan vo vrska so
eksperimentot E. Ke pretpostavime deka:
1) Eksperimentot E moe da se povtori pri ednakvi uslovi
neograniqen broj pati.
Neka brojot na povtoruvanja na eksperimentot e n, i neka, pri-
toa, nastanot A se pojavil (nastapil) k pati. Brojot k se narekuva
qestota (frekvencija) na nastanot A, a koliqnikot kn
se narekuva
74 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
relativna qestota (frekvencija) na nastanot A.
2) Pri koi bilo serii od po n1, odnosno n2 izveduvanja (pov-
toruvanja) na eksperimentot E, pri dovolno golemi vrednosti na
n1 i n2, relativnite qestoti k1
n1i k2
n2, soodvetno, neznaqitelno se
razlikuvaat edna od druga.
Za eksperimentot E za koj se ispolneti uslovite 1) i 2) ke
velime deka e sluqaen eksperiment, a za sekoj nastan xto e vo
vrska so vakov eksperiment ke velime dka e sluqaen nastan.
Vo prodolenie ke se zadrime na relacii i operacii vo mno-
estvoto na sluqajnite nastani xto se vo vrska so ist eksperi-
ment.
Ako pri sekoe nastapuvanje na nastanot A, nastapuva i nastanot
B, velime deka nastanot A go povlekuva nastanot B i oznaquvame
A ⊂ B.
Nastanite A i B se ekvivalentni ako A ⊂ B i B ⊂ A.
Zbir na nastanite A i B e nastan koj nastapuva koga nastapuva
barem eden od nastanite A ili B, i nego go oznaquvame so A + B
ili A ∪ B.
Proizvod na nastanite A i B e nastan koj nastapuva koga
istovremeno nastapuva sekoj od nastanite A i B, i nego go oz-
naquvame so A · B, AB ili A ∩ B.
Za nastanite A i B velime deka zaemno se iskluquvaat (t.e.
se disjunktni) ako nastapuvanjeto na edniot nastan ja iskluquva
monosta za nastapuvanje na drugiot nastan. Znaqi, disjunktnite
nastani A i B ne moat da nastapat vo isto vreme.
Razlika na nastanie A i B e nastan koj nastapuva koga is-
tovremeno nastapuva nastanot A, a ne nastapuva nastanot B, i
nego go oznaquvame so A \ B.
Sprotiven nastan na nastanot A nastapuva sekogax koga nas-
tanot A nema da nastapi. Sprotivniot nastan na nastanot A go
oznaquvame so A.
Vo sluqajot na disjunktni nastani A i B, imajki ja pred-
vid definicijata za proizvod na nastani, lesno vooquvame deka
nivniot proizvod AB ne postoi. Ovaa nezgodna situacija se nad-
Matematika II (za studenti po biologija) 75
minuva so voveduvanje na takanareqen nevozmoen nastan.
Nevozmoen nastan e nastan koj nikogax ne moe da nastapi,
i nego go oznaquvame so ∅.Dualno na nevozmoen nastan e t.n. siguren nastan.
Siguren nastan e nastan koj nastapuva sekogax koga ke se
realizira eden eksperiment, i nego go oznaquvame so Ω.
Taka, vo eksperimentot od primer 2, ako gi razgleduvame nas-
tanite A i B, kade
A : Zbirot na toqki xto se pojavile na dvete kocki e pogolem
od 12
B : Zbirot na toqki xto se pojavile na dvete kocki e najmnogu
12
lesno se vooquva deka A = ∅ i B = Ω.
Primer 5. Qetiri strelci gagaat vo edna meta. Neka, za
i ∈ 1, 2, 3, 4,Ai: i−tiot strelec ja pogodil celta,
B: toqno dva strelci ja pogodile celta,
C: barem eden strelec ja pogodil celta,
D: samo eden strelec ja pogodil celta,
Da gi pretstavime nastanite B, C i D so pomox na nastanite
A1, A2, A3 i A4.
Rexenie. Nastanot B nastapuva koga dva od qetirite strelci
ja pogodile celta, a dva ne ja pogodile. Taka, na primer, edna
monost e prviot i vtoriot strelec da ja pogodat celta, a tre-
tiot i qetvrtiot da ne ja pogodat, t.e. istovremeno da nastapat
nastanite A1, A2, A3 i A4. Znaqi, da nastapi proizvodot na ovie
nastani A1 · A2 · A3 · A4. Ako gi zememe predvid site monosti,
dobivame deka
B = A1 · A2 · A3 · A4 + A1 · A2 · A3 · A4 + A1 · A2 · A3 ·A4 +
A1 · A2 · A3 · A4 + A1 ·A2 · A3 · A4 + A1 · A2 · A3 · A4.
Nastanot C = A1 +A2 +A3 +A4 bidejki C nastapuva ako nastapi
barem eden od nastanite A1, A2, A3 ili A4.
Sliqno se dobiva deka
D = A1 ·A2 ·A3 ·A4 +A1 ·A2 ·A3 ·A4 +A1 ·A2 ·A3 ·A4 +A1 ·A2 ·A3 ·A4.
76 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Primer 6. Na pacient vo edna laboratorija mu e utvrdena
serumska glukoza od 6,32 mM. Pacientot go izvrxil istoto testi-
ranje i vo dve drugi laboratorii koi mu izdale rezultat za istiot
parametar od 4,56 mM. Priqini zaradi koi nastanala grexkata
se:
1. Prisustvo na hemoglobin vo serumot
2. Prisustvo na proteini vo serumot
3. Pacientot prethodno konsumiral glukoza
4. Prisustvo na masti vo serumot
Moni nastani:
Ai: Grexkata se sluqila zaradi edna od spomenatite priqini
B: Toqno dve priqini moat da dovedat do pogrexen rezultat
C: Barem edna od priqinite vodi do pogrexen rezultat
D: Grexkata nastanala zaradi samo edna priqina
Da se pretstavat nastanite B, C i D so pomox na nastanite
A1, A2, A3, A4.
B = A1 · A2 · A3 · A4 + A1 · A2 · A3 · A4 + A1 · A2 · A3 ·A4+
+A1 ·A2 · A3 · A4 + A1 · A2 · A3 · A4 + A1 · A2 · A3 · A4
C = A1 + A2 + A3 + A4
D = A1·A2·A3·A4+A1·A2·A3·A4+A1·A2·A3·A4+A1·A2·A3·A4+A1·A2·A3·A4
Primer 7. Kaj pacient na 40 godixna vozrast mu e dijagnos-
ticirana ciroza na crn drob. Moni priqini za bolesta se:
1. Genetska predispozicija
2. Virusna infekcija
3. Alkoholizam
4. Kontinuirana izloenost na ksenobiotici ili pesticidi
Moni nastani:
Ai: Bolesta e predizvikana od eden spomenat priqinitel
B: Ima dva priqiniteli
C: Bolesta e predizvikana samo od eden priqinitel.
Matematika II (za studenti po biologija) 77
D: Bolesta e predizvikana barem od eden priqinitel
Da se pretstavat nastanite B, C i D so pomox na nastanite
A1, A2, A3, A4.
Vo prodolenie ke dademe geometrisko-mnoestvena interpre-
tacija na nastanite.
Neka sevkupnosta na uslovite e vnatrexnosta na nekoja geomet-
riska figura, na primer kvadrat, Ω. Eksperimentot e proizvolno
izbiranje na edna toqka od Ω. Na sledniov crte
zatemnetiot del go oznaquva nastanot
A: izbranata toqka se naoga vo geometriskata figura A.
Imajki gi predvid definiciite na A ⊂ B, A+B, A·B, A\B, A, ∅,i Ω za nastani vo vrska so eden eksperiment, za niv ja imame sled-
nava geometrisko-mnoestvena interpretacija
78 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.2 Statistiqka verojatnost
Vo prethodniot del definiravme qestota i relativna qestota
na sluqaen nastan A vo serija od n povtoruvanja na daden eksper-
iment E pri isti uslovi. Taka, ako nastanot A se pojavil k pati
vo ovaa serija od n povtoruvanja na eksperimentot E, brojot k go
narekovme qestota, a brojot kn
go narekovme relativna qestota na
nastanot A.
Neka eksperimentot se sostoi od izvlekuvanje edno topqe od
neprovidna kutija vo koja se naogaat edno belo i devet crveni
topqinja. So A ke go oznaqime nastanot
A: Izvleqeno e belo topqe.
Ako napravime poveke serii od 10 povtoruvanja na eksperimen-
tot, vo nekoi serii moe da se sluqi da nema nitu edno belo topqe,
odnosno nastanot A da ne se pojavi nitu ednax, vo nekoja serija
pak moe nastanot A da se pojavi ednax, vo druga mono e A da
se pojavi 2 ili poveke pati.
Matematika II (za studenti po biologija) 79
No, ako napravime serii so golem broj na povtoruvanja na ekspe-
rimentot, ke zabeleime deka priblino vo 10% od tie povtoru-
vanja na eksperimentot se pojavil nastanot A. Vo slednava tabela,
vo prvata kolona e naveden brojot na povtoruvanja na eksperimen-
tot, n, vo serijata, vo vtorata kolona e brojot na pojavuvanja na
nastanot A vo taa serija, t.e. qestotata k, vo tretata kolona e
relativnata qestota kn
i vo qetvrtata kolona e dadeno pribli-
noto decimalno zaokruuvanje (na edna decimala) na relativnata
qestota.
Zabeleuvame deka relativnata qestota, osven xto zavisi od
nastanot A, zavisi i od serijata odnosno taa e razliqna za ra-
zliqna serija. No, bidejki A e sluqaen nastan (za nego vai pret-
postavkata 2 od prethodniot paragraf) so zgolemuvanje na brojot
na povtoruvanja n na eksperimentot, soodvetnite relativni qe-
stoti se pomalku se razlikuvaat od serija do serija, i se pri-
blino ednakvi na brojot 0,1 t.e. se natrupuvaat okolu realniot
broj 0,1.
Statistiqka verojatnost na nastanot A e realniot broj okolu
koj se natrupuvaat relativnite qestoti na sluqajnioit nastan A,
i se oznaquva so P (A).
Statistiqkata verojatnost e mera\ za monosta za nastapu-
vanje na nastanot A. Imeno, ako A i B se dva sluqajni nastani
vo vrska so eden eksperiment i ako P (A) < P (B), togax pri re-
aliziranjeto na eksperimentot, vo serii so golem broj na pov-
80 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
toruvanja na eksperimentot, poqesto ke nastapuva nastanot B od
nastanot A.
Da zabeleime nekolku osnovni svojstva na statistiqkata vero-
jatnost.
P.1. Za koj bilo sluqaen nastan A, P (A) ≥ 0.
P.2. P (Ω) = 1.
P.3. Za dva disjunktni sluqajni nastani A i B, vai P (A+B) =
P (A) + P (B).
P.1. i P.2. lesno moe da se vooqat od samata definicija. Da
go objasnime P.3. Neka A i B se nastani vo vrska so eksperimentot
koj e povtoren n pati i neka pritoa, A se pojavil k1 pati, a B se
pojavil k2 pati. Bidejki nastanite A i B se disjunktni, nastanot
A+B vo serijata od n povtoruvanja na eksperimentot ke se pojavi
k1 + k2 pati, pa relativnata qestota ke bide zbir od relativnite
qestoti na A i B, od kade sleduva P.3.
So pomox na P.1.-P.3. moe da se dokae slednava teorema
Teorema 1. (i) P (∅) = 0.
(ii) P (A) = 1 − P(A), za sekoj sluqaen nastan A.
(iii) Ako A ⊆ B togax P (A) ≤ P (B).
(iv) Za sekoj sluqaen nastan A vai 0 ≤ P (A) ≤ 1.
(v) Za koi bilo dva sluqajni nastani A i B vai P (A + B) =
P (A) + P (B) − P (A · B).
3.2.3 Prostor od elementarni nastani
Da go razgledame uxte ednax primerot 2 od delot 3.2.1. Mo-
nite rezultati od eksperimentot vo ovoj primer, gi opixavme so
mnoestvoto Ω = (x, y) |x, y ∈ 1, 2, 3, 4, 5, 6. Pritoa,
nastanot: na belata kocka se pojavile x, toqki a na crvenata
kocka se pojavile y toqki
go identifikuvame so elementot (x, y) ∈ Ω.
Zabeleuvame deka pri sekoe izveduvanje na eksperimentot:
a) Mora da nastapi nekoj od nastanite (x, y) koj se sodri vo
Ω.
Matematika II (za studenti po biologija) 81
b) Nikoi dva od nastanite od Ω ne moe da nastapat istovre-
meno.
Ova mnoestvo Ω xto go opixuva eksperimentot od primer 2 i
gi zadovoluva a) i b) se narekuva prostor od elementarni nastani.
Mnoestvoto Ω od poedineqni nastani koe opixuva daden ekspe-
riment, i pritoa, pri sekoe izveduvanje na eksperimentot nastapu-
va eden i samo eden od tie nastani se narekuva prostor (mno-
estvo) od elementarni nastani.
Za elementarnite nastani, voobiqaeno, se koristi oznakata w,
ili wi vo sluqaj mnoestvoto da sodri poveke od eden element.
Zabelexka. Za daden eksperiment, mono e da odgovaraat
poveke prostori od elementarni nastani. Taka vo primerot 2,
i mnoestvoto
Ω1 = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
e mnoestvo od elementarni nastani za eksperimentot od ovoj
primer, kade
wj: Zbirot na toqkite xto se pojavile na dvete kocki e j
za sekoj j ∈ Ω1.
Koj prostor ke go izbereme zavisi od zadaqata xto treba da se
rexi i od toa koj od niv e poinformativen t.e. koj od niv podobro
go opixuva dadeniot eksperiment.
Sekoj sluqaen nastan xto e vo vrska so daden eksperiment e
opredelen so nekoe podmnoestvo od mnoestvoto ne elementar-
nite nastani Ω za toj eksperiment. Znaqi, sluqajnite nastani
gi identifikuvame so nekoi podmnoestva od Ω. Pritoa, ke ve-
lime nastanot A nastapil ako se pojavil nekoj od elementarnite
nastani so koi toj e opredelen, odnosno ako se realiziral ele-
mentaren nastan w za koj vai w ∈ A, i pritoa uxte velime deka
w e povolen za sluqajniot nastan A.
Imajki go predvid gorenavedenoto i delot 3.2.1 zakluquvame
deka relaciite i operaciite megu sluqajnite nastani vsuxnost
se sveduvaat na relacii i operacii so mnoestva.
82 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
A ⊂ B A e podmnoestvo od B
A + B A + B = A ∪ B = w |w ∈ A ∨ w ∈ BA · B A · B = A ∩ B = w |w ∈ A ∧ w ∈ BA\B A\B = A\B = w |w ∈ A ∧ w /∈ B A A = Ω\A = w |w /∈ A
Vo slednive eksperimenti ke go najdeme prostorot od elemen-
tarni nastani i nekoi nastani vo vrska so dadeniot eksperiment.
Primer 1. Vo primerot 1 od delot 3.2.1 vo koj frlame moneta,
prostorot od elementarni nastani e Ω = G, P kade
G: na gornata strana od monetata se pojavil grb\
P : na gornata strana od monetata se pojavilo pismo\
Primer 2. Ako frlame edna kocka za igranje i, pritoa go
nabljuduvame brojot na toqki xto se pojavuvaat na gornata strana
od kockata, togax Ω = k |k ∈ 1, 2, 3, 4, 5, 6, kade za k ∈ 1, 2, 3, 4, 5, 6,k: na gornata strana od kockata se pojavile k toqki.
Neka
A: na gornata strana od kockata se pojavil paren broj toqki
B: na gornata strana od kockata se pojavil neparen broj toqki
C: brojot na toqki na gornata strana od kockata e prost.
Togax A = 2, 4, 6, B = 1, 3, 5 i C = 2, 3, 5.Zabeleuvame deka A i B se disjunktni nastani. Ako sakame
da go zapixeme, na primer, nastanot
D: se pojavil neparen i prost broj toqki
togax D = B · C = 1, 3, 5 ∩ 2, 3, 5 = 3, 5.Primer 3. Ako frlame moneta tripati ednopodrugo i ja nablju-
duvame nizata od grb\-pismo\ xto se pojavuva, togax
Ω = GGG, GGP, GPG, GPP, PGG, PGP, PPG, PPP.Neka
A: grb\ se pojavil najmalku 2 pati
B: Vo trite ednopodrugi frlanja se pojavil samo grb\ ili
samo pismo\.
Togax A = GGG, GGP, GPG, PGG a B = GGG, PPP.Vo sekoj od primerite xto dosega gi razgleduvavme, prostorot
Matematika II (za studenti po biologija) 83
od elementarni nastani e koneqen.
Primer 4. Da frlame moneta se dodeka ne se pojavi grb\ i
pritoa broime kolku pati monetata bila frlena do prvoto pojavu-
vanje na grb\. Togax Ω = 1, 2, 3, . . .∞. Simbolot ∞ se odnesuva
na sluqajot koga grb\ nema da se pojavi nikogax, odnosno koga
monetata se frla bezbroj pati.
Ova e primer na prostor od elementarni nastani kojxto ne e
koneqen, tuku beskoneqen, no prebroiv.
Primer 5. Puxtame penkalo da paga vertikalno vo kutija i ja
zabeleuvame toqkata na dnoto na kutijata kade penkaloto prv pat
doprelo. Togax Ω se sostoi od site toqki na dnoto na kutijata.
Neka pravoagolnikot od sledniot crte gi pretstavuva tie toqki
i neka A i B se sluqajni nastani koi oznaquvaat deka penkaloto
padnalo na zasenqenite povrxini, soodvetno oznaqen.
Ova e primer na prostor od elementarni nastani kojxto e bes-
koneqen, no ne e prebroiv, t.e. e neprebroiv.
Zabelexka 1. Ako prostorot od elementarni nastani Ω e koneqen
ili beskoneqen no prebroiv, togax sekoe podmnoestvo od Ω e
sluqaen nastan.
So Φ ke ja oznaquvame familijata od site sluqajni nastani,
vkluquvajki gi i nevozmoniot ∅, i sigurniot nastan Ω. Znaqi,
vo sluqaj koga prostorot na elementarni nastani Ω e koneqen ili
beskoneqen no prebroiv, familijata Φ od sluqajni nastani se sos-
toi od site podmnoestva na Ω vkluquvajki gi ∅ i Ω.
84 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.4 Aksiomi na verojatnost
Neka Ω e prostor od elementarni nastani za daden eksperiment,
a Φ e familijata sluqajni nastani. Funkcijata P : Φ →R za koja
vai
P.1. Za sekoj A ∈ Φ, P (A) ≥ 0;
P.2. P (Ω) = 1;
P.3. Ako A, B ∈ Φ i A · B = ∅, togax P (A + B) = P (A) + P (B);
P.4. Ako A1, A2, . . .An, An+1, · · · ∈ Φ i Ai · Aj = ∅ za i 6= j, togax
P (A1 + A2 + · · · + An + An+1 + . . . ) =
= P (A1) + P (A2) + · · · + P (An) + P (An+1) + . . .
se narekuva verojatnostna funkcija, a brojot P (A) se narekuva
verojatnost na nastanot A ∈ Φ.
Zabelexka. Koristejki go P.3. i PMI se dokauva deka za
A1, A2, . . . An ∈ Φ i za Ai · Aj = ∅ za i 6= j vai
P (A1 + A2 + · · · + An) = P (A1) + P (A2) + · · · + P (An). (∗)
Iako (*) vai za sekoj n ∈N, P.4. ne sleduva od P.3. Dokolku
prostorot Ω e koneqen, togax P.4. moe da se otfrli.
Vo prodolenie, ke dademe nekoi osnovni svojstva na verojat-
nosta.
Teorema 1. P (∅) = 0.
Dokaz. Za sluqaen nastan A ∈ Φ, razliqen od nevozmoniot
vai A = A + ∅ i A · ∅ = ∅, pa koristejki go P.3. dobivame deka
P (A) = P (A + ∅) = P (A) + P (∅), t.e. P (∅) = 0.
Teorema 2. Za sekoj A ∈ Φ vai P (A) = 1 − P(A).
Dokaz. Od Ω = A + A, A · A = ∅, P.2. i P.3. dobivame 1 = P (Ω) =
P(A + A
)= P (A) + P
(A), t.e. P (A) = 1 − P (A).
Matematika II (za studenti po biologija) 85
Teorema 3. Ako A ⊆ B togax P (A) ≤ P (B).
Dokaz. Od A ⊆ B, B = A + B\A, A · (B\A) = ∅ i P.3. dobivame
P (B) = P (A) + P (B\A). Zaradi P.1., P (B\A) ≥ 0, pa mora P (A) ≤P (B).
Teorema 4. Za A, B ∈ Φ, P (A\B) = P (A)− P (A · B).
Dokaz. Od A = (A\B)+ (A ·B), (A\B) · (A ·B) = ∅ i P.3. dobivame
deka P (A) = P (A\B) + P (A · B) t.e. P (A\B) = P (A) − P (A · B).
Teorema 5. Za proizvolni A, B ∈ Φ, vai
P (A + B) = P (A) + P (B) − P (A · B)
Dokaz. Od A + B = (A\B) + B, (A\B) · B = ∅ , P.3. i teorema 4
dobivame deka P (A + B) = P (A\B) + P (B) = P (A) − P (A · B) + P (B),
t.e. P (A + B) = P (A) + P (B)− P (A · B).
Posledica. Za proizvolni A, B, C ∈ Φ vai
P (A+B+C) = P (A)+P (B)+P (C)−P (A·B)−P (A·C)−P (B·C)+P (A·B·C)
Teorema 6. Za A ∈ Φ, P (A) ≤ 1.
Dokaz. Od A ⊆ Ω, T.3. i P.2. dobivame deka P (A) ≤ P (Ω) = 1,
t.e. P (A) ≤ 1.
86 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.5 Klasiqna definicija na verojatnost
Neka daden eksperiment ima koneqno mnogu ishodi, t.e.
Ω = w1, w2, ..., wn.
Togax familijata Φ e mnoestvoto od site podmnoestva na Ω,
t.e.
Φ = ∅, w1, w2, ..., wn, w1 + w2, ..., w1 + w2 + ... + wn
i niv gi ima vkupno 2n. Vo mnogu sluqai moe da se pretpostavi
deka site oddelni ishodi se ednakvoverojatni\, t.e.
P (w1) = P (w2) = ... = P (wk) = ... = P (wn).
Bidejki P (Ω) = 1 i w1 + w2 + ... + wn = Ω zaradi (*), dobivame deka
1 = P (Ω) = P (w1 + w2 + ... + wn) =
= P (w1) + P (w2) + ... + P (wk) + ... + P (wn) =
= P (wk) + P (wk) + ... + P (wk) + ... + P (wk)︸ ︷︷ ︸
n pati
= nP (wk)
t.e. P (wk) = 1n
za sekoj wk ∈ Ω. (∆)
Neka A ∈ Φ e proizvolen sluqaen nastan i neka
wk1 , wk2, ..., wkm
se elementarni nastani koi se povolni za A. Togax
A = wk1 + wk2 + ...+wkm.
Od disjunktosta na elementarnite nastani, (*) i (∆) dobivame
deka
P (A) = P (wk1 + wk1 + ... + wkm)(∗)= P (wk1) + P (wk2) + ... + P (wkm) =
(∆)=
1
n+
1
n+ ... +
1
n︸ ︷︷ ︸
mpati
= mn
Matematika II (za studenti po biologija) 87
t.e.
P (A) =m
n.
Dobivme deka verojatnosta na nastan A e ednakva na koliqnikot
na brojot na povolni nastani za A i brojot na site nastani, t.e.
P (A) =broj na povolni nastani za A
broj na elementarni nastani.
Primer 1. Vo neprovidna kutija ima 5 beli, 3 crveni i 2
olti topqinja. Znaeme deka topqinjata se so isti svojstva, a se
razlikuvaat samo po bojata. Eksperimentot se sostoi vo izvleku-
vanje topqe bez gledanje. Koja e verojatnosta na nastanot
A: izvleqeno e crveno topqe?
Rexenie. Brojot na elementarni nastani e 5 + 3 + 2 = 10, t.e.
n = 10. Bidejki ima 3 crveni topqinja, izvlekuvanjeto na koe
bilo od niv e povolen nastan za nastanot A, pa brojot na povolni
nastani za A e m = 3. Ottuka, P (A) = 310
.
Primer 2. Vo eksperimentot istovremeno frlanje na crvena i
bela kocka za igranje, odredi ja verojatnosta na nastanot
A: zbirot na toqki koi se pojavile na dvete kocki iznesuva 5.
Rexenie. Vo ovoj primer, vidovme deka
Ω = (x, y) |x, y ∈ 1, 2, 3, 4, 5, 6.Ako Ω go zapixeme tabelarno dobivame
Ω = (1, 1) , (1, 2) , (1, 3) , (1, 4) , (1, 5) , (1, 6) ,
(2, 1) , (2, 2) , (2, 3) , (2, 4) , (2, 5) , (2, 6) ,
(3, 1) , (3, 2) , (3, 3) , (3, 4) , (3, 5) , (3, 6) ,
(4, 1) , (4, 2) , (4, 3) , (4, 4) , (4, 5) , (4, 6) ,
(5, 1) , (5, 2) , (5, 3) , (5, 4) , (5, 5) , (5, 6) ,
(6, 1) , (6, 2) , (6, 3) , (6, 4) , (6, 5) , (6, 6)
t.e. Ω sodri 36 nastani t.e. n = 36. Da zabeleime deka 36 = 62
t.e. brojot na elementi vo Ω e broj na varijacii so povtoruvanje
od 6 elementi od klasa 2, t.e. V 26 .
Od site elementarni nastani, povolni nastani za A se: (1, 4),
88 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
(2, 3), (3, 2) i (4, 1), t.e. vkupno 4. Znaqi m = 4 i ottuka
P (A) =4
36=
1
9.
Primer 3. Od grupa od 9 uqenici od koi 5 se momqinja, a 4 se
devojqinja, treba da se izberat 3 uqenici. Kolkava e verojatnosta
na nastanot
A: izbranite uqenici da bidat momqinja?
Rexenie. Bidejki redosledot na izbranite uqenici ne e biten,
brojot na site moni elementarni nastani e n = C39 = 84, a brojot
na povolnite nastani za nastanot A, spored principot na proiz-
vod e m = C35 · C0
4 = 10 · 1 = 10. Znaqi, P (A) = mn
= 1084
.
Primer 4. (Klasiqen rodendenski problem) Najdi ja verojat-
nosta p, k luge da imaat razliqni rodendeni. Pri rexavanje na
problemot ne razgleduvame prestapni godini i pretpostavuvame
deka site denovi vo godinata se ednakvoverojatni da bidat roden-
deni.
Rexenie. Bidejki ima k luge i 365 razliqni denovi vo godi-
nata, postojat 365k naqini na koi k luge moe da imaat rodendeni.
Znaqi, n = 365k. Od druga strana, za da k-te luge imaat razliqni
rodendeni, prviot moe da bide roden vo koj bilo od 365-te dena
vo godinata, vtoriot da bide roden vo koj bilo od ostanatite
364 dena, tretiot da bide roden vo nekoj od ostanatite 363 dena
itn. Znaqi, soglasno principot na proizvod postojat 365 · 364 ·363 · · · (365−k+1) naqini na koi k luge ke bidat rodeni vo razliqni
denovi, t.e. m = 365 · 364 · 363 · · · (365 − k + 1). Spored toa,
p =m
n=
365 · 364 · 363 · · · (365 − k + 1)
365k.
3.2.6 Geometriska verojatnost
Primer 1. Neka zadaqata e da se predvidi prinosot na pqenica
od edna niva. Treba da se izmeri gustinata na rasporedot na
korenite pqenica na 1m2, brojot na zrnata vo klasot, kako i niv-
nata teina, a i drugi biometriski podatoci: visinata i tei-
Matematika II (za studenti po biologija) 89
nata na rastenieto. Za taa cel nivata se deli na eksperimen-
talni kvadrati, i se izbiraat 3 do 5 mesta vdol nivata kako
eksperimantalni mesta, koi potpolno se obrabotuvaat (i so toa
se unixtuvaat). Se naoga deka sreden prinos po kvadraten metar
iznesuva na primer a kg, sredna brojnost na zrnata vo klasot n
edinki. Sega treba istoto da se napravi za celata niva. Ne bi
bilo mono da se broi i meri celata niva, klas po klas, zrno po
zrno. Zatoa xiroko se koristi prognozata, analogijata, verojat-
nosta. Se koristi masovnosta na pojavata, ekvivalentosta megu
mal i golem del od nivata, t.e. i sekoj del od nivata e niva so
isti osobini na rodot: gustina, raspored, teina, kvalitet, xto
doveduva do slednava proporcionalnost:
Ako na pm2 ima teina na rodot od g kg
togax na P m2 ke ima teina na rodot od Gkg
ili p : g = P : G
od kade naogame
G = Pp· g
i pritoa na ovoj naqin sme izvrxile prognoza na prinosot.
Ako ovaa proporcija ja napixeme vo oblikot gG
= pP
qitame
deka odnosot megu teinata na rodot na eksperimentalniot teren
i celiot rod se odnesuvaat kako ploxtinata na eksperimentalniot
del so celata ploxtina na nivata. Ako nivata bi bila zaseana so
drugi kulturi: pqenka, xekerna repka, bi imale drugi vrednosti
za g, G, no odnosot pP
ostanuva kako geometriski postojan za celata
90 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
niva. Zatoa odnosot na ploxtinite se vika verojatnost na rodot
na pqenica po 1m2 na daden teren ili geometriska verojatnost.
Edinstvenite beskoneqni, neprebroivi prostori na elementar-
ni nastani Ω koi ke gi razgleduvame vo ovaa kniga se onie koi
imaat nekoja koneqna geometriska mera\, kako xto se dolina,
ploxtina ili volumen, i vo koi sluqajno se izbira toqka. Zna-
qi, Ω moe da se pretstavi so nekoja kriva so koneqna dolina,
figura so koneqna ploxtina ili telo so koneqen volumen.
i) Neka Ω e pretstaven so nekoja kriva MN (postoi biekcija
megu toqkite od krivata MN i Ω). Ako A e nekoj sluqaen nas-
tan (podmnoestvo od Ω), toj moe da se prettavi so del EF od
krivata MN . Togax verojatnosta P (A) na nastanot A e
P (A) =m(EF )
m(MN)
kade m(EF ) e dolinata na EF , a m(MN) e dolinata na MN .
Znaqi,
P (A) =dolina na EF
dolina na MN.
ii) Sliqno, ako Ω moe da se pretstavi so nekoja ramninska figura
S, togax koj bilo sluqaen nastan A e druga ramninska figura L
sodrana vo S, pa
P (A) =ploxtina na L
ploxtina na S.
Matematika II (za studenti po biologija) 91
iii) Vo sluqaj Ω da e pretstaven so prostorno telo T , sluqajniot
nastan A so drugo telo K, togax
P (A) =volumen na K
volumen na T.
Primer 2. (Sredba) Dvajca prijateli se dogovorile da se
sretnat na opredeleno mesto vo vremeto od 8 do 9 qasot. Sekoj
od niv, otkako ke dojde na dogovorenoto mesto, treba da go poqeka
prijatelot toqno 20 minuti, a ako ne dojde do sredba, po 20 minuti
treba da si odi. Kolku e verojatnosta da dojde do sredba, ako
vremeto na pristignuvanje na sekoj od prijatelite e sluqajno?
Rexenie. Neka x e vremeto na pristignuvanje na edniot od
prijatelite, a y na drugiot. Ako za edinica merka zememe 1 mi-
nuta, imajki predvid deka megu 8 i 9 qasot ima 60 minuti, ele-
mentarnite nastani moeme da gi opixeme so podredeni parovi
(x, y), kade x, y ∈ [0, 60], t.e. Ω = (x, y) |x, y ∈ [0, 60]. Vo odnos na
izbran pravoagolen Dekartov koordinaten sistem, Ω moe da se
pretstavi so kvadrat S. So A go oznaquvame nastanot da dojde
do sredba. Nastanot A ke nastapi ako e zadovoleno neravenstvoto
|y − x| ≤ 20, t.e. −20 ≤ y − x ≤ 20, odnosno y ≤ x + 20 i y ≥ x − 20.
Taka, na nastanot A mu odgovara xrafiraniot del L od kvadratot
S.
92 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Dobivame P (A) = ploxtina na Lploxtina na S
=602−2· 40·40
2
602 = 59.
3.2.7 Uslovna verojatnost i nezavisnost na nastani
Pri izuquvanje na pojavite, qesto pati se javuva potreba da
se ima soznanija za odnosite megu razni nastani povrzani so taa
pojava. Taka, prirodno se javuva zadaqa za presmetuvanje na mo-
nosta na nastapuvanje na daden nastan B ako e poznato deka veke
nastapil drug nastan A.
Verojatnosta na sluqajniot nastan B pri pretpostavka deka
nastapil nastanot A, kojxto ne e nevozmoen (P (A) > 0) se nare-
kuva uslovna verojatnost i se oznaquva so PA(B).
Primer 1. Vo neprovidna kutija se naogaat 5 beli i 7 crveni
topqinja koi se razlikuvaat samo po bojata. Eksperimentot se
sostoi vo dve vleqenja na topqe od kutijata, pri xto po prvoto
vleqenje, izvleqenoto topqe ne se vraka nazad vo kutijata. Neka
so A i B gi oznaqime nastanite
A: izvleqeno e belo topqe vo prvo vleqenje
B: izvleqeno e belo topqe vo vtoro vleqenje.
Najdi ja P (B) ako
i) Nastanot A nastapil
ii) Nastanot A ne nastapil.
Rexenie. i) Ako nastanot A nastapil, t.e. vo prvoto vleqenje
e izvleqeno belo topqe, togax vo kutijata ostanale 4 beli i 7
crveni topqinja, t.e. vkupno 11 topqinja od koi 4 beli, pa PA(B) =411
.
Matematika II (za studenti po biologija) 93
ii) Ako nastanot A ne nastapil, t.e nastapil A, pa vo prvoto
vleqenje e izvleqeno crveno topqe, togax vo kutijata ostanale 5
beli i 6 crveni topqinja, ili vkupno 11 topqinja od koi 5 beli pa
imame P (B) = PA(B) = 511
.
Zabelexka. Vo ovoj eksperiment, oqigledno e deka verojat-
nosta na nastanot B zavisi od toa dali nastanot A nastapil ili
ne(
411
6= 511
).
Neka (Ω, Φ, P ) e koneqen prostor na verojatnost, pri xto el-
ementarnite nastani se ednakvoverojatni. Neka A i B se dva
sluqajni nastani pri xto nastanot A ne e nevozmoen, t.e. P (A) >
0. Ako pretpostavime deka nastapil nastanot A, znaqi deka nasta-
pil nekoj od elementarnite nastani povolni za nastanot A. Nas-
tanot B ke nastapi ako nastapi nekoj od elementarnite nastani
povolni za nastanot B, a bidejki A veke nastapil, zalkuquvame
deka B ke nastapi ako nastapi nekoj od elementarnite nastani
xto se zaedniqki za A i B, t.e. povolni za A · B. Spored kla-
siqnata definicija na verojatnosta, dobivame deka PA(B) = nA·BnA
,
kade nA·B e broj na povolni nastani za A ·B, a nA e broj na povolni
nastani za A. Ako n e brojot na site elementarni nastani, imajki
predvid deka P (A) = nA
ni P (A · B) = nA·B
ndobivame deka
PA(B) =nA·BnA
=nA·B
nnA
n
=P (A · B)
P (A),
t.e. PA(B) = P (A·B)P (A)
.
Formulata
PA(B) = P (A·B)P (A)
(*)
xto ja dokaavme vo sluqaj koga moe da se primeni klasiq-
nata definicija na verojatnost moe da se zeme za definicija na
uslovna verojatnost vo site sluqai, t.e. vai slednava teorema.
Teorema 1. Neka (Ω, Φ, P ) e prostor na verojatnost i neka A ∈ Φ
e takov xto P (A) > 0. Togax preslikuvanjeto P1 : Φ →R opredeleno
so P1(B) = PA(B), za sekoj B ∈ Φ, kade PA(B) = P (A·B)P (A)
pretstavuva
verojatnost na Φ takva xto P1(A) = 1.
Primer 2. Vo pogolema grupa na tatkovci i sinovi e utvrdeno
94 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
deka
a) tatkovci so temni oqi i sinovi so temni oqi imalo 5%;
b) tatkovci so temni oqi i sinovi so svetli oqi imalo 7,9%;
v) tatkovci so svetli oqi i sinovi so temni oqi imalo 8,9%;
g) tatkovci so svetli oqi i sinovi so svetli oqi imalo 78,2%.
Smetajki deka postoi statistiqka stabilnost vo odnos na vrska-
ta megu bojata na oqite na tatkovcite i nivnite sinovi, presmetaj
gi verojatnostite:
i) Pri sluqaen izbor na eden od sinovite, izbraniot da ima
temni oqi znaejki deka negoviot tatko ima temni oqi.
ii) Pri sluqaen izbor na eden od sinovite, izbraniot da ima
temni oqi ako se znae deka negoviot tatko ima svetli oqi.
Rexenie. Neka so A i B gi oznaqime nastanite
A: tatkoto ima temni oqi,
B: sinot ima temni oqi.
Togax
A: tatkoto ima svetli oqi,
B: sinot ima svetli oqi.
Treba da gi presmetame uslovnite verojatnosti:
i) PA(B) i ii) PA(B).
Od navedenite podatoci imame deka P (A · B) = 0, 05, P(A · B
)=
0, 079, P(A ·B
)= 0, 089 i P
(A · B
)= 0, 782.
Od A ⊆ Ω imame A = A · Ω, a pak od druga strana Ω = B + B, pa
A = A · B + A · B, i P (A) = P (A ·B) + P (A · B) = 0, 05 + 0, 079 = 0, 129,
P (A) = 1 − P (A) = 1 − 0, 129 = 0, 871.
Koneqno, koristejki ja formulata za uslovna verojatnost, do-
bivame deka:
i) PA (B) = P (A·B)P (A)
= 0,050,129
= 0, 39;
ii) PA (B) = P (A·B)P (A)
= 0,0890,871
= 0, 10.
Za da se presmeta uslovna verojatnost potrebno e da se znae
verojatnosta na proizvodot na nastanite A i B, t.e. P (A · B).
No, vo mnogu sluqai, polesno e da se presmeta uslovnata vero-
jatnost otkolku verojatnosta na proizvodot na nastanite. Zatoa,
formulata za uslovna verojatnost, vsuxnost qesto se koristi za
Matematika II (za studenti po biologija) 95
presmetuvanje na verojatnost na proizvod na nastani. Direktno
od formulata za uslovna verojatnost sleduva slednava teorema.
Teorema 2. Za nastanite A i B xto se vo vrska so ist eksper-
iment, vai:
i) P (A · B) = P (A) · PA(B), pri P (A) > 0;
ii) P (A · B) = P (B) · PB(A), pri P (B) > 0.
Za nastanot B ke velime deka e nezavisen od nastanot A ako
na verojatnosta za nastapuvanje na nastanot B ne vlijae faktot
dali nastanot A se pojavil ili ne se pojavil. So drugi zborovi,
verojatnosta na nastanot B e ednakva na uslovnata verojatnost na
B pri uslov A, t.e. P (B) = PA(B). Zamenuvajki vo i) vo teorema 2,
dobivame deka P (A · B) = P (A) · P (B).
Od ii) i poslednoto sleduva deka P (B) · PB(A) = P (A) · P (B),
pri P (B) > 0, t.e. deka P (A) = PB(A), xto znaqi deka i nastanot
A e nezavisen od nastanot B. Poradi toa, vo prodolenie ke
zboruvame za zaemno nezavisni nastani.
Teorema 3. Sluqajnite nastani A i B, za koi P (A) > 0 i P (B) >
0, se nezavisni ako i samo ako P (A · B) = P (A) · P (B).
So pomox na principot na matematiqka indukcija moe da se
obopxti teorema 2, t.e. vai slednava teorema.
Teorema 4. Za nastanite A1, A2, . . . An xto se vo vrska so ist
eksperiment, takvi xto P (A1 · A2 · · ·An−1) > 0, vai
P (A1·A2 · ... · An) = P (A1) · PA1 (A2) · PA1 ·A2 (A3) · ... · PA1·A2·...·An−1 (An) .
Primer 3. Student doxol da polaga ispit znaejki 40 od 50
praxanja od predvidenata programa od predmetot. Studentot do-
biva praxanje otkako ke odgovori na prethodnoto praxanje. Najdi
ja verojatnosta p studentot da odgovori na 3 praxanja.
Rexenie. Neka A, B i C se nastanite
A: studentot odgovoril na prvoto praxanje
B: studentot odgovoril na vtoroto praxanje
C: studentot odgovoril na tretoto praxanje.
96 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Se bara da se presmeta p = P (A · B · C). Od teorema 4,
p = P (A · B · C) = P (A) · PA(B) · PA·B(C).
Jasno e deka P (A) = 4050
= 45. Nastanot B zavisi od nastanot A, i
otkako nastapil nastanot A, ostanuvaat 49 praxanja, a od niv
studentot znae 39, pa PA(B) = 3949
. Sliqno, PA·B(C) = 3848
= 1924
,
bidejki otkako nastapil A · B, t.e. A i B istovremeno, ostanale
48 praxanja, a od niv studentot znae da odgovori na 38.
Koneqno, p = P (A · B ·C) = 45· 39
49· 19
24≈ 0, 5.
Vo prodolenie ke ja obopxtime definicijata za nezavisnost
od dva na proizvolen koneqen broj sluqajni nastani. Za sluqa-
jnite nastani A1, A2, ..., An velime deka se nezavisni vo celina
ako se zadovoleni slednive uslovi:
Ai 6= Aj, za i 6= j
P (Ai · Aj) = P (Ai) · P (Aj) , za i 6= j, i, j ∈ 1, 2, ..., nP (Ai · Aj · As) = P (Ai) · P (Aj) · P (As) ,
za i 6= j 6= s 6= i, i, j, s ∈ 1, 2, ..., n.
.
.
P (A1 · A2 · ... · An) = P (A1) · P (A2) · ... · P (An)
3.2.8 Totalna verojatnost. Formula na Bajes
Teorema 1. (Formula za totalna verojatnost) Neka Ω e mno-
estvoto na elementarni nastani za daden eksperiment i neka
A1, A2, ..., An se sluqajni nastani takvi xto:
i) Ai · Aj = ∅, za i 6= j, t.e. koi bilo dva razliqni nastani ne
moe da nastapat istovremeno;
ii) A1 + A2 + ... + An = Ω.
Togax, za proizvolen sluqaen nastan B koj moe da nastapi
Matematika II (za studenti po biologija) 97
pod uslov da nastapi nekoj od nastanite A1, A2, ..., An, vai
P (B) = P (A1) · PA1 (B) + P (A2) · PA2 (B) + ... + P (An) · PAn (B) .
Dokaz. Od B ⊆ Ω i ii), dobivame deka
B = B · Ω = B · (A1 + A2 + ... + An) = B · A1 + B · A2 + ... + B ·An,
t.e.
B = B · A1 + B ·A2 + ... + B · An = A1 · B + A2 · B + ... + An · B.
Od i) dobivame deka za i 6= j i (Ai · B) · (Aj · B) = ∅. Koristejki
teoremite od prethodnite delovi, imame
P (B) = P (A1 · B + A2 · B + ... + An · B) =
= P (A1 · B) + P (A2 · B) + ... + P (An · B) =
= P (A1) · PA1 (B) + P (A2) · PA2 (B) + ... + P (An) · PAn (B)
xto trebaxe da se dokae.
Primer 1. Vo edna kutija ima 4 beli i 2 crni topqinja, a vo
druga kutija ima 3 beli i 5 crni topqinja. Topqinjata vo dvete
kutii se isti vo se, osven vo bojata, taka xto na dopir so raka ne
se razlikuvaat. Od prvata kutija sluqajno se biraat 2 topqinja
i bez da se poglednat se prefrlaat vo vtorata kutija. Potoa od
vtorata kutija sluqajno se bira edno topqe. Najdi ja verojatnosta
poslednoto izvleqeno topqe da bide belo.
Rexenie. Neka e
B: poslednoto izvleqeno topqe e belo
A1: dvete prefrleni topqinja se beli
A2: ednoto prefrleno topqe e belo a drugoto crno
A3: dvete prefrleni topqinja se crni.
Da zabeleime deka pri vleqenjeto na dve topqinja od prvata
kutija, nema druga monost osven eden od A1, A2 ili A3, i deka
A1 · A2 = ∅, A1 · A3 = ∅ i A2 · A3 = ∅, t.e. koi bilo dva od A1, A2 i
98 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
A3 ne moe da nastapat istovremeno. So primena na formulata
za totalna verojatnost, dobivame
P (B) = P (A1) · PA1 (B) + P (A2) · PA2 (B) + P (A3) · PA3 (B) =
=C2
4 ·C02
C26
· 2+32+8
+C1
4 ·C12
C26
· 1+32+8
+C0
4 ·C22
C26
· 0+32+8
= 1330
.
Primer 2. Poznato e deka od dve vreki semenski materijal,
90% od zrnata od prvata vreka i 70% od zrnata od vtorata vreka
se plodni. Najdi ja verojatnosta pri sluqaen izbor na vreka (bez
gledanje) da bide izbrano plodno zrno.
Rexenie. Neka e
B: izbranoto zrno e plodno
A1: vleqenjeto na zrno e od prvata vreka
A2: vleqenjeto na zrno e od vtorata vreka.
Togax, od formulata za totalna verojatnost, dobivame
P (B) = P (A1) · PA1 (B) + P (A2) · PA2 (B) =1
2· 0, 9 +
1
2· 0, 7 = 0, 8.
Sluqajnite nastani A1, A2, ..., An vo formulata za totalna vero-
jatnost se vikaat hipotezi. Nivnite verojatnosti gi presmetu-
vame direktno. Ponekogax, pri sproveduvanjeto na nekoj ekspe-
riment vo koj nastapil nastanot B, moe da ima potreba da se
presmetaat verojatnostite PB(Aj), za j ∈ 1, 2, ..., n, koi vo opxt
sluqaj se razlikuvaat od P (Aj). Za nivno presmetuvanje se koristi
slednava teorema.
Teorema 2. (Formula na Bajes) Neka Ω e mnoestvo na ele-
mentarni nastani za daden eksperiment, B e sluqaen nastan so
pozitivna verojatnost, a A1, A2, ..., An se sluqajni nastani takvi
xto Ai 6= Aj, za i 6= j i A1 + A2 + ... + An = Ω. Togax vai
PB (Aj) =P (Aj) · PAj
(B)
P (A1) · PA1 (B) + P (A2) · PA2 (B) + ... + P (An) · PAn (B),
za j ∈ 1, 2, ..., n.
Matematika II (za studenti po biologija) 99
Dokaz. Za j ∈ 1, 2, ..., n imame
PB (Aj)df= P (Aj ·B)
P (B)
df=
P (Aj )·PAj(B)
P (B)
T.1.=
=P (Aj )·PAj
(B)
P (A1)·PA1(B)+P (A2)·PA2
(B)+...+P (An)·PAn(B),
xto trebaxe da se dokae.
Primer 3. Tri maxini A1,A2 i A3 proizveduvaat 50%, 30% i
20 %, soodvetno, od vkupniot broj proizvodi vo fabrikata. Poz-
nato e deka procentite na defektni proizvodi na maxinite se 3%,
4% i 5%, soodvetno.
a) Pri sluqaen izbor na proizvod, presmetaj ja verojatnosta
izbraniot proizvod da e defekten.
b) Najdi ja verojatnosta deka sluqajno izbran proizvod, za koj
potoa e utvrdeno deka e defekten, e proizveden od maxinata A1.
Rexenie. Neka
B: izbraniot proizvod e defekten
Aj: izbraniot proizvod e proizveden od maxinata Aj, za j ∈1, 2, 3.
Jasno e deka se ispolneti uslovite od teorema 1 i teorema 2,
t.e. Ai ·Aj = ∅, za i 6= j i A1 + A2 + A3 = Ω.
a)
P (B) = P (A1) · PA1 (B) + P (A2) · PA2 (B) + P (A3) · PA3 (B) =
= 0, 5 · 0, 03 + 0, 3 · 0, 04 + 0, 2 · 0, 05 = 0, 037.
b) Vo ovoj sluqaj sluqajno se bira proizvod i potoa e utvrdeno
deka e defekten. Se bara da se presmeta verojatnosta deka ovoj
proizvod e proizveden od maxinata A1, t.e. se bara da se presmeta
PB(A1). Od teorema 2 imame
PB (A1) =P (A1)·PA1
(B)
P (A1)·PA1(B)+P (A2)·PA2
(B)+P (A3)·PA3(B)
=
= 0,5·0,030,5·0,03+0,3·0,04+0,2·0,05
= 1537
.
100 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.9 Serii od nezavisni eksperimenti
3.2.9.1 Xema na Bernuli
Neka E e daden eksperiment i A e sluqaen nastan xto e vo vrska
so E. Za serijata od povtoruvanja na eksperimentot E, pri isti
uslovi, velime deka e xema na Bernuli ako:
i) Brojot na povtoruvanja na eksperimentot e koneqen, i neka
go oznaqime so n;
ii) Pri sekoe povtoruvanje na eksperimentot imame samo dva
rezultati:
a) Se pojavil nastanot A
b) Ne se pojavil nastanot A, t.e. se pojavil sprotivniot
nastan A;
iii) Site povtoruvanja na eksperimentot se nezavisni eden od
drug, t.e. verojatnosta da nastapi nastanot A vo dadeno povtoru-
vanje ne zavisi od rezultatite vo prethodnite ili slednite pov-
toruvanja na eksperimentot;
iv) Verojatnosta za nastapuvanje na nastanot A, vo sekoe od
povtoruvanjata na eksperimentot, e ista i da ja oznaqime so p,
t.e. p = P (A) i q = P (A) = 1 − p.
So Pj,n(A) = Pn(j) ja oznaquvame verojatnosta vo celata se-
rija od n nezavisni povtoruvanja na eksperimentot, nastanot A
da nastapil j−pati.
Teorema 1. Pn (j) =
(
n
j
)
pjqn−j, j ∈ 0, 1, 2, ..., n
Primer 1. Najdi ja verojatnosta pri 8 frlanja na moneta, grb
da se pojavi 4 pati.
Rexenie. Ova e primer na xema na Bernuli, vo koja imame:
A: pojava na grb na gornata strana od monetata,
n = 8, j = 4, p = P (A) = 12
i q = 1 − p = 1 − 12
= 12.
Znaqi,
P8 (4) =
(
8
4
)
·(
1
2
)4
·(
1
2
)8−4
= 0, 27.
Matematika II (za studenti po biologija) 101
Primer 2. Statistiqki e utvrdeno deka od 1000 novorodeni
deca, 512 se maxki a 488 se enski deca. Najdi ja verojatnosta,
vo familija od 3 deca, da ima edno maxko dete.
Rexenie. Neka e
A: vo familijata se rodilo maxko dete.
Od formulata za statistiqka verojatnost imame
p = P (A) =512
1000= 0, 512,
pa q = 1−p = 1−0, 512 = 0, 488. Pri pretpostavka deka verojatnosta
za raganje na maxko dete vo familija ne zavisi od toa kakvi deca
se rodile prethodno vo familijata, nitu pak od toa kakvi deca ke
se rodat vo idnina, i deka stanuva zbor za stabilen sistem (p e
isto), moe da se iskoristi formulata od xemata na Bernuli, vo
koja n = 3, j = 1, pa dobivame
P3 (1) =
(
3
1
)
(0, 512)1(0, 488)3−1 = 0, 366.
Primer 3. Vo edna fabrika, verojatnosta da se proizvede
artikl so grexka e 0,005. Najdi ja verojatnosta vo edna serija od
10000 proizvodi:
i) 40 od niv da se so grexka
ii) ne poveke od 75 od niv da bidat so grexka.
Rexenie. Vo primerov, p = 0, 005, q = 0, 995 i n = 10000.
i) Ovde j = 40, pa
P10000 (40) =
(
10000
40
)
(0, 005)40(0, 995)10000−40.
ii) Neka e
Ak: k od 10000-te proizvodi se so grexka, za k ∈ 0, 1, 2, ..., 10000B: Ne poveke od 75 od 10000 proizvodi se so grexka.
Togax B = A0 + A1 + A2 + ... + A75, pa
102 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
P (B) = P (A0) + P (A1) + P (A2) + ... + P (A75) =
= P10000 (0) + P10000 (1) + P10000 (2) + ... + P10000 (75) =
=75∑
j=0
P10000 (j) =75∑
j=0
(
10000
j
)
(0, 005)j(0, 995)
10000−j.
Koristejki ja teorema 1 i Njutnovata formula za razvoj na
binomot (q + px)n za x = 1 se dobiva slednava teorema.
Teorema 2. Pn (0) + Pn (1) + Pn (2) + ... + Pn (n) = 1.
3.2.9.2 Najverojaten broj (moda)
Neka e dadena xema na Bernuli i neka n e fiksen broj. Ako
postoi j takov xto Pn(j) e najgolema megu site verojatnosti od toj
vid, togax j se narekuva najverojaten broj ili moda. Slednava
teorema dava naqin za presmetuvanje na modata.
Teorema 1. Neka p e verojatnosta na sluqajniot nastan A vo
xemata na Bernuli so n nezavisni povtoruvanja na daden eksper-
iment, i neka q = 1 − p. Togax:
i) ako np − q = k0 e cel broj, k0 i k0 + 1 ke bidat najverojatni
broevi (modi) za nastapuvanje na nastanot A vo celata serija od
n povtoruvanja na dadeniot eksperiment.
ii) ako np− q ne e cel broj, najverojatniot broj za nastapuvanje
na nastanot A vo serijata od n povtoruvanja na eksperimentot ke
bide najmaliot priroden broj k0 xto e pogolem od np − q.
Primer 1. Vo edna fabrika tehnoloxkiot proces e takov xto
obezbeduva 30% od izrabotenite proizvodi da bidat so podobar
kvalitet od standardniot. Najdi go najverojatniot broj na pred-
meti so podobar kvalitet vo edna sluqajno izbrana serija od 75
izraboteni predmeti.
Rexenie. Jasno, stanuva zbor za xema na Bernuli, kade vero-
jatnosta predmetot da bide so podobar kvalitet e p = 0, 3 i n = 75.
Togax q = 1−p = 0, 7, pa np−q = 21, 8. Spored teorema 1, ii) najvero-
jatniot broj e k0 = 22, xto znaqi deka najverojatno vo sluqajnata
serija od 75 izbrani proizvodi, 22 ke bidat so podobar kvalitet
Matematika II (za studenti po biologija) 103
od standardniot.
3.2.9.3 Posledici od teoremite na Laplas
Pri presmetuvanjeto na verojatnostite Pn(j) vo xemata na Ber-
nuli, qesto nastapuvaat tehniqki potexkotii zaradi dolgite pres-
metki. Ke dademe, bez dokaz, dve posledici (od lokalnata i in-
tegralnata teorema na Laplas) za priblino presmetuvanje na
verojatnostite Pn(j) xto se javuvaat vo xemata na Bernuli.
Teorema 1. Ako verojatnosta p za nastapuvanje na sluqajniot
nastan A vo sekoj od n−te nezavisni povtoruvanja na daden eksperi-
ment e razliqna od 0 i 1, togax za dovolno golemi vrednosti na
n vai priblinoto ravenstvo
Pn (j) ≈ φ (x)√npq
kade φ (x) = 1√2π
e−x2
2 , x = j−np√npq
.
Zabelexka 1. Priblinite vrednosti za Pn(j) od teorema 1 se
podobri za pogolemi vrednosti na p blisku do 12.
Zabelexka 2. Iako priblinata formula za Pn(j) od teorema
1, na prv pogled izgleda sloeno, presmetuvanjata se olesneti
bidejki se izraboteni tablici (dadeni vo prilog na uqebnikov)
za presmetuvanje na vrednosti na φ(x).
Teorema 2. Ako p 6= 0 i p 6= 1 vo xemata na Bernuli so n
nezavisni povtoruvanja i ako k1 = np+a√
npq, k2 = np+b√
npq, a < b,
togax za dovolno golemi vrednosti na n vai
P (k1 < j < k2) ≈ϕ (b) − ϕ (a)
2
kade ϕ (x) = 2√2π
x∫
0
e−t2
2 dt.
Zabelexkite 1 i 2 vaat i vo ovoj sluqaj.
104 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.9.4 Posledica od teoremata na Puason
Teorema 1. Neka p e verojatnosta na sluqaen nastan A vo xe-
mata na Bernuli od n nezavisni povtoruvanja na daden eksperi-
ment. Ako p ima vrednost bliska do 0, togax za dovolno golemi
vrednosti na n vai
Pn (k) ≈ ak
k!e−a
kade a = np.
Zabelexka. Se proveruva deka priblinata formula vo teo-
rema 1 vai i za vrednosti na p bliski do 1.
3.2.10 Sluqajna promenliva
Vo razni pojavi i procesi od sekojdnevniot ivot se srekavame
so veliqini qii vrednosti se menuvaat od sluqaj do sluqaj, t.e.
veliqini koi vo daden moment na procesot moe da primat edna
vrednost (broj) a odnapred ne e poznato koja vrednost ke ja pri-
mat. Niv gi narekuvame sluqajni promenlivi i istite se tesno
povrzani so sluqajni nastani.
Sluqajna promenliva ξ na prostor od elemntarni nastani Ω e
funkcija f od Ω vo R takva xto inverznata slika na sekoj interval
od R e nastan od Ω.
Za podobro razbiranje na sluqajnata promenliva ne e dovolno
da se znaat samo nejzinite vrednosti (vrednostite koi gi prima)
tuku e potrebno da se znae i so koi verojatnosti veliqinata gi
prima oddelnite vrednosti.
Nastanot: ξ da primi vrednost x, e sluqaen nastan i so P (ξ = x)
ke ja oznaquvame verojatnosta na ovoj nastan.
Vo zavisnost od toa kakvo e mnoestvoto na vrednosti (pre-
broivo ili neprebroivo) koi sluqajnata promenliva gi prima,
razlikuvame dva tipa: diskretni i neprekinati, i vo prodole-
nie oddelno ke gi razgledame.
Matematika II (za studenti po biologija) 105
3.2.10.1 Poim za diskretni sluqajni promenlivi
Da razgledame nekolku primeri.
Primer 1. Neka frlame dve metalni moneti, istovremeno. So
G da oznaqime pojavuvanje na grb, so P pojavuvanje na pismo, a so
GP pojavuvanje na grb na prvata moneta i pismo na vtorata, pri
edno istovremeno frlanje na monetite. So ξ da go oznaqime brojot
na pojavuvanje na pisma pri edno frlanje na monetite. Togax,
moni se qetiri sluqai, t.e. Ω = GG, GP, PG, PP. Od ovde,
zakluquvame deka brojot na pojavuvanje na pisma pri edno frlanje
moe da bide edna od vrednostite 0,1,2, t.e. ξ = 0, ξ = 1 ili ξ = 2.
Da gi presmetame verojatnostite so koi veliqinata ξ gi prima
ovie vrednosti.
p0 = P (ξ = 0) = 12· 1
2= 1
4
p1 = P (ξ = 1) = 12· 1
2+ 1
2· 1
2= 1
2
p2 = P (ξ = 2) = 12· 1
2= 1
4
Zabeleuvame deka
p0 + p1 + p2 =1
4+
1
2+
1
4= 1.
Primer 2. Neka frlame dve kocki za igranje, istovremeno,
i neka so ξ go oznaqime zbirot na toqkite xto se pojavuvaat na
dvete kocki. Lesno moe da se vidi deka ξ moe da primi edna od
vrednostite: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, so verojatnosti,
1
36,
2
36,
3
36,
4
36,
5
36,
6
36,
5
36,
4
36,
3
36,
2
36,
1
36,
soodvetno.
Zabeleuvame deka i ovde
1
36+
2
36+
3
36+
4
36+
5
36+
6
36+
5
36+
4
36+
3
36+
2
36+
1
36= 1
t.e. zbirot na verojatnostite so koi xto ξ gi prima site vred-
106 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
nosti, e ednakov na 1.
Primer 3. Neka izvrxime serija od n nezavisni povtoruvanja
na daden eksperiment vo sekoj od koi nastanot A nastapuva so
verojatnost p (xema na Bernuli). So ξ da go oznaqime brojot na
nastapuvanje na nastanot A vo celata serija od n povtoruvanja na
eksperimentot. Veke vidovme deka ξ moe da prima edna od vred-
nostite 0, 1, 2, . . . , k, . . . , n, pri xto verojatnosta ξ = k (nastanot A
nastapil k pati) e ednakva na Cknpkqn−k, q = 1 − p, t.e.
pk = P (ξ = k) = Cknpkqn−k.
Bidejki p + q = 1, koristejki ja binomnata formula dobivame
deka
1 = 1n = (p + q)n
=
n∑
k=0
Cknpkqn−k =
n∑
k=0
P (ξ = k)
t.e. zbirot na verojatnostite so koixto ξ gi prima site vrednosti
e ednakov na 1.
Vo sekoj od gornite primeri sretnuvame po edna veliqina ξ
koja xto moe da primi vrednosti od nekoe (vo naxite primeri,
koneqno) mnoestvo. Dodatno, za veliqinata ξ da bide dobro
opixana, bea dadeni (presmetani) i verojatnostite so koi veliqi-
nata ξ gi prima vrednostite. Vo sekoj od primerite, zabeleavme
deka zbirot od verojatnostite so koixto ξ gi prima site vred-
nosti e ednakov na 1. Isto taka, se zabeleuva deka nastanot ξ da
primi nekoja opredelena vrednost, e sluqaen, i poradi toa samata
veliqina ξ ja narekuvame sluqajna.
Da rezimirame, za edna sluqajna promenliva ξ ke smetame deka
e potpolno opredelena, ako se dadeni site vrednosti xto taa
moe da gi primi, zaedno so soodvetnite im verojatnosti, i pri-
toa zbirot na site tie verojatnosti e ednakov na 1.
Pokraj sluqajnite promenlivi so koixto se sretnavme vo pri-
merite 1, 2 i 3, qesto se sretnuvaat i takvi sluqajni promenlivi
koixto primaat vrednosti od nekoe beskrajno mnoestvo. Ke raz-
gledame eden primer.
Matematika II (za studenti po biologija) 107
Primer 4. Neka ξ e sluqajna promenliva xto gi prima vred-
nostite: 0, 1, 2, . . . , k, . . . so verojatnosti
pk = P (ξ = k) =ak
k!e−a
kade a > 0 e nekoja konstanta. Pritoa, koristejki deka
∞∑
k=0
ak
k!= ea
se dobiva deka ∞∑
k=0
pk = ea · e−a = 1.
Razlikata megu sluqajnite promenlivi od ovoj primer i sluqa-
jnite promenlivi od prethodnite primeri e vo toa xto, dosega
imavme sluqajni promenlivi koixto primaat vrednosti od edno
koneqno mnoestvo, dodeka vo primer 4 sluqajnata promenliva gi
prima site vrednosti od celoto proxireno mnoestvo od prirodni
broevi N0=N∪0, t.e. od beskoneqno prebroivo mnoestvo.
Zaedniqko na site sluqajni promenlivi, dosega razgledani, e
toa xto zbirot od verojatnostite so koi xto sluqajnata promen-
liva gi prima site vrednosti, e ednakov na 1.
Dosega razgledanite sluqajni promenlivi se narekuvaat di-
skretni sluqajni promenlivi. Znaqi, edna sluqajna promenliva
ξ koja xto prima vrednost od nekoe koneqno mnoestvo, beskoneqno
prebroivo mnoestvo (mnoestvo qii xto elementi moe da bidat
zapixani vo oblik na edna beskoneqna niza x1, x2, . . . , xn, . . . ) so
verojatnosti pk, soodvetno, i pritoa∞∑
k=1
pk = 1, se narekuva diskre-
tna sluqajna promenliva.
Ako ξ e diskretna sluqajna veliqina, koja prima vrednosti:
x1, x2, . . . , xn, so verojatnosti p1, p2, . . . , pn, soodvetno, pixuvame
ξ =
xi, pi,
n∑
i=1
pi = 1
.
108 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Ako ξ e diskretna sluqajna veliqina, koja prima vrednosti:
x1, x2, . . . , xn, . . . so verojatnosti p1, p2, . . . , pn, . . . , soodvetno, pixu-
vame
ξ =
xi, pi,
∞∑
i=1
pi = 1
.
Vo dvata sluqai, xi se narekuvaat tekovni vrednosti a pi =
P (xi) = p (ξ = xi) se narekuvaat zakon na raspredelba na sluqaj-
nata promenliva ξ.
Ako sluqajnata promenliva ξ moe da ja primi koja bilo vred-
nost od nekoj interval od realnite broevi, se narekuva nepre-
kinata sluqajna promenliva.
Primer 5. Ako ja ξ oznaquva sluqajnata promenliva: tempera-
turata na vozduhot vo tekot na eden den, togax ξ e primer na
neprekinata sluqajna promenliva.
Primer 6. Sluqajnata promenliva ξ: teina na zrno pqenica
vo sluqajno izbran klas od edna niva, e isto taka neprekinata
sluqajna promenliva.
Neprekinatite sluqajni promenlivi posebno ke gi razgledame
posle izuquvanjeto na diskretnite sluqajni promenlivi.
3.2.10.2 Grafiqko pretstavuvanje na zakonot na raspredelba
na verojatnostite na diskretna sluqajna promenliva
Neka
ξ =
xi, pi,∞∑
i=1
pi = 1
e diskretna sluqajna promenliva. Qesto pati zakonot na raspre-
delba na verojatnostite na ξ go zadavame vo vid na tabela:
Grafiqki, zakonot za raspredelba na verojatnostite na ξ moe
Matematika II (za studenti po biologija) 109
da se prikae vo oblik na kriva, poligon ili histogram na vero-
jatnostite.
Ako vo koordinaten sistem xOy, na apscisnata oska (x-oskata)
go naneseme mnoestvoto na tekovnite vrednosti xi a na ordinat-
nata oska (y-oskata) go naneseme mnoestvoto vrednosti pi, dobi-
vame mnoestvo toqki Ai(xi, pi). Vaka dobienoto mnoestvo toqki
Ai se narekuva punktuelen grafik (grafik toqka po toqka) na
verojatnostite.
Ako toqkite (xi, pi) se spojat so edna kriva linija, se dobiva
kriva na verojatnostite.
Ako toqkite (xi, pi) i (xi+1, pi+1) se spojat so otseqki, se narekuva
poligon na verojatnostite.
Ako nacrtame pravoagolnici so visini pi i osnovi ednakvi na
ediniqnite intervali vo qii srednini se naogaat tekovnite vred-
nosti xi, dobivame histogram na verojatnostite.
Korisen prikaz na zakonot na raspredelba na verojatnostite
e i so nanesuvanje na otseqki od sekoja toqka xi vo pozitivnata
nasoka na ordinatnata oska so dolini ednakvi na vredostite na
soodvetnite verojatnosti pi.
Primer 1. Neka ξ e sluqajna promenliva, qijxto zakon na
raspredelba na verojatnostite e zadaden so slednava tabela:
Grafiqki, ξ moe da se pretstavi na sledniov naqin:
110 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.10.3 Funkcija na raspredelba na verojatnostite na di-
skretna sluqajna promenliva
Qesto pati sluqajnata promenliva se zadava preku nejzinata
funkcija na raspredelba na verojatnostite, namesto dosegax-
niot naqin na zadavanje preku zakonot na raspredelba na vero-
jatnostite. Vo prodolenie ke ja definirame ovaa funkcija i ke
dademe nekolku primeri.
Verojatnosta na nastanot, sluqajnata veliqina ξ da primi vred-
nost pomala od realniot broj x, e funkcija F (x) od x, i ja nareku-
vame funkcija na raspredelba na verojatnostite na sluqajnata
promenliva ξ. Znaqi,
F (x) = P (ξ < x) = P (−∞ < ξ < x)
kade x e proizvolen relen broj.
Zabelexka. Zaradi pokratko iskauvanje, vo prodolenie ke
velime zakon na verojatnostite i funkcija na raspredelba namesto
zakon na raspredelba na verojatnostite i funkcija na raspre-
delba na verojatnostite, soodvetno.
Primer 1. Da ja razgledame sluqajnata promenliva ξ od pri-
merot 1 vo 3.2.10.1.
Matematika II (za studenti po biologija) 111
Da ja najdeme nejzinata funkcija na raspredelba.
F (0) = P (ξ < 0) = 0, bidejki nastanot
A: ξ prima vrednosti pomali od 0
e nevozmoen.
F (1) = P (ξ < 1) = P (ξ = 0) = 14
F (2) = P (ξ < 2) = P (ili ξ = 0ili ξ = 1) = P (ξ = 0) + P (ξ = 1) =
= 14
+ 12
= 34.
Znaqi, F (0) = 0, F (1) = 14
i F (2) = 34.
Opxto,
1 Za x ≤ 0, F (x) = P (ξ < x) = P (ξ < 0) = 0.
2 Za 0 < x ≤ 1, F (x) = P (ξ < x) = P (ξ < 1) = 14.
3 Za 1 < x ≤ 2, F (x) = P (ξ < x) = P (ξ < 2) = 34.
4, Za x > 2, F (x) = P (ξ < x) = P (ili ξ = 0 ili ξ = 1ili ξ = 2) =
= 14
+ 12
+ 14
= 1.
Grafiqki, funkcijata na raspredelba na ξ e:
Vo prodolenie, ke navedeme nekoi svojstva na funkcijata na
raspredelba.
1 Funkcijata na raspredelba e ograniqena funkcija, i pritoa
vai
112 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
0 ≤ F (x) ≤ 1, ∀x ∈ R.
Svojstvoto 1 sleduva od faktot xto funkcijata na raspre-
delba pretstavuva verojatnost, a toa znaqi broj megu 0 i 1.
2 Verojatnosta na nastanot: ξ da primi vrednost megu x1 i x2,
x1 < x2, e ednakva na narasnuvanjeto na funkcijata na raspredelba
F (x) vo intervalot (x1, x2), t.e.
P (x1 ≤ ξ < x2) = F (x2) − F (x1) .
Dokaz. Da gi razgledame slednive tri nastani:
A: ξ prima vrednost pomala od x2
B: ξ prima vrednost pomala od x1
C: ξ prima vrednost pogolema ili ednakva na x1 i pomala od
x2.
Togax e A = B ∪C i B ∩C = ∅, pa P (A) = P (B)+P (C), odnosno
P (C) = P (A) − P (B). Bidejki
P (C) = P (x1 ≤ ξ < x2) ,
P (A) = P (ξ < x2) = F (x2) ,
P (B) = P (ξ < x1) = F (x1) ,
dobivame deka P (x1 ≤ ξ < x2) = F (x2) − F (x1).
3 Funkcijata na rapredelba e monotono neopagaqka funkcija
na (−∞,∞).
Dokaz. Neka x1 < x2. Zaradi 2 imame deka
P (x1 ≤ ξ < x2) = F (x2) − F (x1) .
Bidejki verojatnosta e nenegativen broj sleduva deka
P (x1 ≤ ξ < x2) ≥ 0.
Ottuka dobivame deka F (x2) − F (x1) ≥ 0, t.e. funkcijata F (x) e
Matematika II (za studenti po biologija) 113
monotono neopagaqka funkcija.
4 a) F (−∞) = P (ξ < −∞) = limx→−∞
F (x) = 0
b) F (∞) = P (ξ < ∞) = limx→∞
F (x) = 1
Dokaz. a) vai bidejki nastanot ξ < −∞ e nevozmoen, a b)
vai bidejki nastanot ξ < ∞ e siguren (toa e nastan koj se sostoi
vo toa sluqajnata veliqina, pri realizacija na razgleduvaniot
eksperiment, da primi proizvolna vrednost).
Zabelexka. Graniqnite vrednosti limx→−∞
F (x) i limx→∞
F (x) pos-
tojat zaradi monotonosta i ograniqenosta na F (x).
5
P (ξ = x1) = limx2→x1
P (x1 ≤ ξ < x2) = limx2→x1
(F (x2) − F (x1)) =
= limx2→x1
F (x2) − F (x1)
Kako posledica od 5 gi dobivame svojstvata:
5.1 Ako funkcijata na rasperedelba e neprekinata vo toqkata
x = x1 (toa se site toqki od R koi xto ne se tekovni vrednosti na
diskretnata sluqajna veliqina), togax verojatnosta sluqajnata
veliqina da bide x1 e ednakva na 0.
Dokaz. Zaradi 5 vai
P (ξ = x1) = limx2→x1
(F (x2) − F (x1)) ,
pa od neprekinatosta na F vo x1 dobivame
P (ξ = x1) = limx2→x1
(F (x2) − F (x1)) = F (x1) − F (x1) = 0.
5.2 Vo toqkite xi, koixto se tekovni vrednosti na diskretnata
sluqajna veliqina ξ, funkcijata F (x) ima skok, qija dolina e
ednakva na verojatnosta so koja ξ ja prima taa vrednost xi.
114 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
6 Za diskretnata sluqajna veliqina
ξ =
xi, pi,∑
i
pi = 1
vai:
F (x) = P (ξ < x) =∑
xi<x
P (ξ = x) =∑
xi<x
pi.
7 Za diskretnata sluqajna veliqina
ξ =
xi, pi,∑
i
pi = 1
vai:
P (x1 ≤ ξ < x2) = F (x2) − F (x1) =∑
x1≤xi<x2
pi.
Koneqno, od se xto pogore kaavme okolu funkcijata na raspre-
delba, moe da se zakluqi deka, grafiqki, funkcijata na raspre-
delba na diskretnata sluqajna veliqina izgleda kako na sledniov
crte:
3.2.10.4 Povekedimenzionalni diskretni sluqajni promenlivi
Dvodimenzionalna diskretna sluqajna promenliva (sluqaen
vektor) go narekuvame podredeniot par (X, Y ), kade X i Y se
Matematika II (za studenti po biologija) 115
diskretni sluqajni promenlivi nad ist prostor na verojatnost
(Ω, Φ, P ) koi primaat vrednosti x1, x2, ..., xn, ... i y1, y2, ..., yn, ..., sood-
vetno, pri xto podredeniot par (X, Y ) prima vrednosti
(xi, yj), i, j ∈ N (1)
so verojatnosti
pij = P (xi, yj) = P (X = xi, Y = yj) , i, j ∈ N (2)
soodvetno, i pritoa vai
∞∑
i=1
∞∑
j=1
pij = 1. (3)
Vrskata megu vrednostite na dvodimenzionalnite sluqajni pro-
menlivi i nivnite verojatnosti go narekuvame zakon na raspre-
delba na dvodimenzionalna sluqajna promenliva.
Zakonot na raspredelba na dvodimenzionalna sluqajna promen-
liva moe da se pretstavi so slednava tabela
Primer 1. Moneta se frla dva pati, pri xto sekoj od ele-
116 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
mentarnite nastani PP, PG, GP, GG ima verojatnost 14. So X da go
oznaqime brojot na padnatite pisma, a so Y brojot na padnatite
grbovi. Zaedniqkiot zakon na raspredelba na (X, Y ) e daden vo
slednava tabela:
Primer 2. Se vkrstuvaat dve edinki so heterozigotna forma
(Aa) na genot X, vo F1 generacija. So A e oznaqen dominantniot
alel, dodeka so a e oznaqen recesivniot alel.
Odredi ja verojatnosta da se dobie homozigot po dvata dom-
inantni ili recesivni aleli, i verojatnosta da se dobie hete-
rozigot po vkrstuvanjeto.
A a
A AA Aa
a Aa aa
Primer 3. Se vkrstuvaat dve edinki so heterozigotna forma
na genot X (Aa) i homozigotna recesivna forma na genot Y (bb), vo
F1 generacija. So A i B se oznaqeni dominantnite aleli, dodeka
so a i b se oznaqeni recesivnite aleli. Odredi ja verojatnosta
po vkrstuvanjeto da se dobie recesiven homozigot za dvete aleli.
Primer 4. Se vkrstuvaat dve edinki so heterozigotna forma
na genot X (Aa) i Y (Bb), vo F1 generacija. So A i B se oz-
naqeni dominantnite aleli, dodeka so a i b se oznaqeni rece-
sivnite aleli.
Odredi ja verojatnosta po vkrstuvanjeto, da se dobie dominan-
ten ili recesiven homozigot za dvete aleli.
Matematika II (za studenti po biologija) 117
Neka (X, Y ) e dvodimenzionalna sluqajna promenliva, koja prima
vrednosti (1) so verojatnosti (2). Funkcijata
F (x0, y0) =∑
xi≤x0
∑
yj≤y0
P (xi, yj) (4)
se narekuva funkcija na raspredelba na (X, Y ).
Spored (4), F (x0, y0) = P (x ≤ x0, y ≤ y0).
Analogno moe da se definira n-dimenzionalna diskretna
sluqajna promenliva (n-dimenzionalen vektor) (X1, X2, ..., Xn),
kade Xi, i ∈ 1, 2, ..., n se diskretni sluqajni promenlivi defini-
rani nad ist prostor na verojatnost (Ω, Φ, p) koi primaat vred-
nosti xi1, xi2, ..., xiki, ... za i ∈ 1, 2, ..., n, soodvetno.
Pritoa, podredenata n-torka (X1, X2, ..., Xn) prima vrednosti
(x1j1, x2j2, ..., xnjn), ji ∈ 1, 2, ..., ki, ..., i ∈ 1, 2, ..., n (5)
so verojatnosti
P (Xi = xiji, i ∈ 1, 2, ..., n) = pj1j2j3...jn, ji = 1, 2, ..., ki..., i ∈ 1, 2, ..., n
(6)
i pj1j2j3...jn ≥ 0 i
∑
j1,j2,...,jn
pj1j2j3...jn = 1. (7)
Neka (X, Y ) e dvodimenzionalna sluqajna promenliva koja prima
vrednosti (1) so verojatnosti (2). Bidejki za sekoj i ∈ 1, 2, ..., nnastanite (X = xi, Y = yj) i (X = xi, Y = yk) za j 6= k se disjunk-
tni, zaradi svojstvata na verojatnosta, dobivame deka verojat-
nosta P (xi) sluqajnata promenliva X da ja primi vrednosta xi,
bez razlika koja vrednost istovremeno ke ja primi Y , se presme-
tuva na sledniov naqin:
P (xi) = P (xi, y1)+P (xi, y2)+ ... +P (xi, ym)+ ... = pi1 + pi2 + ... + pim + ...
118 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
t.e.
P (xi) =∑
j
pij . (8)
Zabelexka. P (xi) pretstavuva zbir na broevite (verojatnos-
tite) vo i-tata kolona.
Sliqno, za j ∈ 1, 2, ..., m, ..., verojatnosta P (yj) sluqajnata promen-
liva Y da primi vrednost yj, bez razlika koja vrednost ke ja primi
X, se presmetuva spored formulata
Q (yj) =∑
i
P (xi, yj) =∑
i
pij (9)
Zabelexka. Q(yj) pretstavuva zbir na broevi (verojatnosti)
vo j-tata redica.
Raspredelbata na sluqajnata promenliva X koja prima vred-
nosti x1, x2, ..., xn so verojatnosti (8) se narekuva marginalna ra-
spredelba na sluqajnata promenliva X.
Raspredelbata na sluqajnata promenliva Y koja prima vred-
nosti y1, y2, ..., ym, ... so verojatnosti (9) se narekuva marginalna
raspredelba na sluqajnata promenliva Y .
Ako ne interesira zakon na raspredelba na sluqajnata promen-
liva X, pod pretpostavka deka sluqajnata promenliva Y prima
nekoja vrednost yj, togax od svojstvoto na uslovna verojatnost
imame:
P (xi |yj ) = P (X = xi |Y = yj ) =P (X = xi, Y = yj)
P (Y = yj)=
P (xi, yj)
Q (yj). (10)
Za sekoj j ∈ 1, 2, ..., m, ..., rasperedelbata na X koja prima vred-
nosti x1, x2, ..., xn, ... so P (xi |yj ) dadeni so (10) se narekuva uslovna
raspredelba na X pri uslov Y = yj.
Sliqno, za sekoj i ∈ 1, 2, ..., n, ... raspredelbata na Y koja prima
vrednosti y1, y2, ..., ym, ... so
P (yj |xi ) = P (Y = yj |X = xi ) =P (X = xi, Y = yj)
P (X = xi)=
P (xi, yj)
P (xi)(11)
Matematika II (za studenti po biologija) 119
se narekuva uslovna raspredelba na Y pri uslov X = xi.
3.2.10.5 Funkcii od diskretni sluqajni promenlivi
Neka X (X : Ω → R) e diskretna sluqajna promenliva, zada-
dena so nejzinata funkcija na raspredelba ili so nejziniot zakon
na raspredelba, a g : R → R e dadena realna funkcija. Togax
funkcijata Y : Ω → R opredelena so
Y (w) = g(X(w)), w ∈ Ω (1)
e diskretna sluqajna promenliva.
Neka X e zadadena so zakonot na raspredelba:
a) Neka g : R → R e strogo monotona. Togax g ima inverzna
funkcija x = g−1(y), pa na sekoja vrednost yi = g(xi), i = 1, 2, ... i
soodvetstvuva edinstvena vrednost xi = g−1(yi), i = 1, 2, ..., i za-
konot na raspredelba na sluqajnata promenliva Y e daden so
b) Neka g : R → R ne e monotona. Ako, na primer, postojat
toqno dve vrednosti xi i xj, xi 6= xj za koi g(xi) = g(xj), togax
nastanot (Y = g(xi)) e ekvivalenten so nastanot (X = xi ∨ X = xj),
a bidejki nastanite (X = xi) i (X = xj) se disjunktni, dobivame
P (Y = g (xi)) = P (X = xi ∨ X = xj) = P (X = xi)+P (X = xj) = pi +pj .
Primer 1. Sluqajnata promenliva X e zadadena so zakonot na
raspredelba:
120 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Da go najdeme zakonot na raspredelba na sluqajnata promen-
liva Y = 2X − 1.
Rexenie. Funkcijata g(x) = 2x−1 e strogo monotono rasteqka.
Bidejki g(0) = 2 · 0 − 1 = −1, g(1) = 2 · 1 − 1 = 1, g(2) = 2 · 2 − 1 = 3,
g(3) = 2 · 3 − 1 = 5 i g(4) = 2 · 4 − 1 = 7 dobivame deka mnoestvoto
vrednosti na sluqajnata promenliva Y e −1, 1, 3, 5, 7. Zakonot na
raspredelba na Y e:
Primer 2. Sluqajnata promenliva X e zadadena so zakonot na
raspredelba:
Da go najdeme zakonot na raspredelba na sluqajnata promen-
liva Y = X2.
Rexenie. Funkcijata g(x) = x2 ne e monotona na segmentot
[−1, 1], i pritoa g(−1) = 1 = g(1). Mnoestvoto vrednosti na
sluqajnata promenliva Y e 0, 1 bidejki g(−1) = g(1) = 1 i g(0) = 0.
Togax P (Y = 0) = P (X = 0) = 12, a
P (Y = 1) = P (X = −1 ∨ X = 1) = P (X = −1)+P (X = 1) =1
3+
1
6=
1
2,
pa zakonot na raspredelba na Y e:
Matematika II (za studenti po biologija) 121
3.2.10.6 Matematiqko oqekuvanje na diskretna sluqajna pro-
menliva
Neka X e diskretna sluqajna promenliva koja prima vrednosti
x1, x2, ..., xn so verojatnosti p1, p2, ..., pn, soodvetno. Matematiqko
oqekuvanje na sluqajnata promenliva X, so oznaka E(X), e zbirot
od proizvodite na tekovnite vrednosti na X i soodvetnite vero-
jatnosti, t.e.
E (X) = x1p1 + x2p2 + ... + xnpn =n∑
k=1
xkpk.
Ako mnoestvoto vrednosti koi sluqajnata promenliva X gi
prima e beskoneqno, t.e. ako X prima vrednosti x1, x2, ..., xn, ... so
verojatnosti p1, p2, ..., pn, ..., soodvetno, togax
E (X) =
∞∑
k=1
xkpk,
pri pretpostavka deka∞∑
k=1
xkpk apsolutno konvergira.
Primer 1. Da go najdeme matematiqkoto oqekuvanje na sluqa-
jnata promenliva od primer 1 od 3.2.10.1, t.e. na
Rexenie. E (X) = 0 · 14
+ 1 · 12
+ 2 · 14
= 1.
Vo prodolenie ke navedeme, bez dokaz, nekoi svojstva na mate-
matiqkoto oqekuvanje.
1 Matematiqkoto oqekuvanje od konstanta C e C, t.e. E(C) =
C, pri xto konstantata se razgleduva kako diskretna sluqajna
promenliva koja prima samo edna vrednost C so verojatnost 1.
2 Neka X e diskretna sluqajna promenliva so matematiqko
oqekuvanje E(X) i neka g e realna funkcija qij domen gi sodri
122 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
vrednostite na X. Togax matematiqkoto oqekuvanje na sluqajnata
promenliva Y = g(X) e dadeno so formulata
E (Y ) =∑
i
g (xi) pi,
pri pretpostavka deka redot apsolutno konvergira.
Kako posledica na svojstvoto 2 go dobivame slednovo svojstvo:
3 Neka X e diskretna sluqajna promenliva so matematiqko
oqekuvanje E(X) i neka a, b ∈R. Togax
E(aX + b) = aE(X) + b.
4 Neka X i Y se diskretni sluqajni promenlivi definirani
nad ist prostor od elementarni nastani. Togax
E(X + Y ) = E(X) + E(Y ).
So pomox na principot na matematiqka indukcija se dobiva
slednovo svojstvo:
5 Neka X1, X2, ..., Xn se diskretni sluqajni promenlivi defini-
rani nad ist prostor od elementarni nastani. Togax
E(X1 + X2 + ... + Xn) = E(X1) + E(X2) + ... + E(Xn).
Moda na sluqajnata promenliva X se narekuva vrednosta,
moX, na X so najgolema verojatnost.
Medijana na sluqajnata promenliva X se narekuva vred-
nosta, meX, na X za koja vai
P (X ≤ meX) ≥ 0, 5 i P (X ≥ meX) ≥ 0, 5
Primer 2. Da gi najdeme moX i meX, za
Matematika II (za studenti po biologija) 123
Rexenie. Od tabelata so koja e zadaden X, zabeleuvame deka
najgolema verojatnost e 0,40 i toa e verojatnosta so koja X ja
prima vrednosta 40, pa moX = 40.
Za X = 30, od tabelata imame: P (X ≤ 30) = 0, 20 + 0, 15 + 0, 25 =
0, 60 > 0, 5 i P (X ≥ 30) = 0, 25 + 0, 40 = 0, 65 > 0, 5, pa, soglasno
definicijata za medijana, zakluquvame deka meX = 30.
Neka X e n-dimenzionalna sluqajna promenliva
X = (X1, X2, ..., Xn).
Podredenata n-torka
E(X) = (E(X1), E(X2), ..., E(Xn)
ja narekuvame matematiqko oqekuvanje na sluqajnata promen-
liva X.
3.2.10.7 Momenti od povisok red. Disperzija i standardna
devijacija
Neka e dadena diskretna sluqajna promenliva X koja prima
vrednosti x1, x2, ..., xn, ... so verojatnosti p1, p2, ..., pn, ..., soodvetno.
Matematiqkoto oqekuvanje na sluqajnata promenliva Xn,
E (Xn) =∑
k
xnkpk
go narekuvame n-ti moment na sluqajnata promenliva X.
Apsoluten n-ti moment na X e matematiqkoto oqekuvanje na
sluqajnata promenliva |X|n, t.e.
E (|X|n) =∑
k
|xk|npk.
Centralen n-ti moment na X e matematiqkoto oqekuvanje
124 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
E ((X − E (X))n) =∑
k
(xk − E (X))npk.
Apsoluten n-ti moment na X e
E (|X − E (X)|n) =∑
k
|xk −E (X)|npk.
Centralniot vtor moment na X se narekuva disperzija na
sluqajnata promenliva X i se oznaquva so D(X).
Znaqi,
D (X) = E((X − E (X))2
).
Kvadratniot koren od disperzijata√
D (X) se oznaquva so σ
ili σx i se narekuva sredno kvadratno otstapuvanje na sluqaj-
nata promenliva X ili standardna devijacija na X.
Matematiqkoto oqekuvanje E(X), na X, vo nekoja smisla ja meri
srednata vrednost\ na X, a standardnata devijacija σ e merka za
otstapuvanje na sluqajnata promenliva od nejzinoto matematiqko
oqekuvanje.
Koristejki gi tekovnite vrednosti i soodvetnite verojatnosti
na X, D(X) moe da se zapixe i vo oblikot
D (X) =∑
k
(xk − E (X))2pk (∗)
kade desnata strana vo (*) e koneqen zbir ako mnoestvoto vred-
nosti na X e koneqno ili e beskoneqen zbir (red) ako mnoestvoto
vrednosti na X e beskoneqno.
Primer 1. Da gi najdeme D(X) i σ za sluqajnata promenliva
od primerot 1 vo 3.2.10.1, t.e. na
Rexenie. Veke najdovme deka E(X) = 1. Sluqajnata promen-
liva X − E(X) = X − 1 e
Matematika II (za studenti po biologija) 125
pa sluqajnata promenliva (X −E(X))2 = (X − 1)2 prima vrednosti
02 = 0 i (−1)2 = 1 = 12 so verojatnosti 12
i 14
+ 14
= 12, t.e.
i
D (X) = E((X −E (X))2) = 0 · 1
2+ 1 · 1
2=
1
2.
Poednostavno, koristejki ja (*), imame
D (X) =3∑
k=1
(xk − 1)2pk = (0 − 1)2 · 1
4+ (1 − 1)2 · 1
2+ (2 − 1)2 · 1
4=
1
2.
Vo prodolenie ke navedeme, bez dokaz, nekoi svojstva na dis-
perzijata.
1 D (X) = E (X2) − (E (X))2 =∑
k
x2kpk − (E (X))2
Svojstvoto 1 dava alternativna, i ponekogax pokorisna for-
mula za presmetuvanje na disperzijata na sluqajnata promenliva.
2 Neka X e diskretna sluqajna promenliva so disperzija D(X)
i a, b ∈ R. Togax vai
D(aX + b) = a2D(X).
Kako posledica od svojstvoto 2, go dobivame slednovo tvr-
denje.
3 Neka X e diskretna sluqajna promenliva so matematiqko
oqekuvanje E(X) i disperzija D(X). Togax za sluqajnata promen-
liva
X∗ =X − E(X)√
D (X)=
X − E (X)
σX
126 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
vai
E (X∗) = 0 i D (X∗) = 1.
Zabelexka. Sluqajnata promenliva X∗ se narekuva normi-
rana (standardizirana) sluqajna promenliva za sluqajnata
promenliva X (koja soodvetstvuva na X).
3.2.10.8 Nezavisnost na sluqajni promenlivi
Neka (X, Y ) e dvodimenzionalna diskretna sluqajna promen-
liva koja prima vrednosti
(xi, yj), i, j ∈ N
so verojatnosti
pij = P (xi, yj), i, j ∈ N,
soodvetno.
Za sluqajnite promenlivi X i Y se veli deka se nezavisno
raspredeleni (nezavisni) ako za sekoi i, j ∈ N vai
P (xi, yj) = P (xi)Q(yj) (∗)
kade
P (xi) =∑
j
P (xi, yj) , Q (yj) =∑
i
P (xi, yj)
se marginalnite raspredelbi na sluqajnite promenlivi X i Y ,
soodvetno.
Primer 1. So tabelata
e zadadena dvodimanzionalna sluqajna promenliva (X, Y ) i se pres-
metani marginalnite raspredelbi na X i Y . Lesno se proveruva
Matematika II (za studenti po biologija) 127
deka za sekoi xi i yj vai (*), xto znaqi deka X i Y se nezavisni
sluqajni promenlivi.
Primer 2. So tabelata
e zadadena dvodimenzionalna sluqajna promenliva (X, Y ) i, isto
taka, se presmetani marginalnite raspredelbi na X i Y . Zabeleu-
vame deka
P (1) Q (1) =1
4· 11
40=
11
1606= 3
40= P (1, 1) ,
xto znaqi deka (*) ne vai za x1 i y1, pa, spored toa, X i Y ne se
nezavisni sluqajni promenlivi.
Vo prodolenie ke navedeme, bez dokaz, nekolku tvrdenja.
1 Sluqajnite promenlivi X i Y se nezavisni ako i samo ako
za sekoi x, y ∈ R vai
F(X,Y ) (x, y) = FX (x)FY (y)
kade F(X,Y ) (x, y), FX (x) i FY (y) se funkciite na raspredelba na
(X, Y ), X i Y , soodvetno.
Neka e dadena neprazna familija od diskretni sluqajni promen-
livi. Se veli deka sluqajnite promenlivi od familijata se neza-
visni vo celina, ako za sekoj k ≥ 2 i za sekoj izbor na sluqajni
promenlivi X1, X2, ..., Xk od dadenata familija vai
P (x1, x2, ..., xk) = P (X1 = x1, X2 = x2, ..., Xk = xk) =
= P (X1 = x1) · P (X2 = x2) · ... · P (Xk = xk) =
= P (x1)P (x2) · ... · P (xk)
128 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
kade xi ∈ Vi, i ∈ 1, 2, ..., k, a Vi, i ∈ 1, 2, ..., k se mnoestvata
vrednosti na sluqajnite promenlivi Xi, i ∈ 1, 2, ..., k, soodvetno.
2 Sluqajnite promenlivi X1, X2, ..., Xn se nezavisni ako i samo
ako
F (x1, x2, ..., xk) = FX1(x1) · FX2(x2) · ... · FXk(xk)
kade F (x1, x2, ..., xk), FX1(x1), FX2(x2),..., FXk(xk) se funkciite na ras-
predelba na (X1, X2, ..., Xk), X1, X2,...,Xk, soodvetno.
3 Diskretnite sluqajni promenlivi X i Y se nezavisni ako i
samo ako za sekoi funkcii f i g za koi
|E(f(X))| < ∞ i |E(g(Y ))| < ∞
vai
E(f(X)g(Y )) = E(f(X))E(g(Y )).
4 Sluqajnite promenlivi X1, X2, ..., Xk se nezavisni vo celina
ako i samo ako za sekoi funkcii f1, f2, ..., fk za koi
|E(fi(Xi))| < ∞, i ∈ 1, 2, ..., k
vai
E(f1(X1)f2(X2) . . . fk(Xk)) = E(f1(X1))E(f2(X2)) . . . E(fk(Xk)).
Kako posledica na 4 se dobiva slednovo tvrdenje.
5 Ako sluqajnite promenlivi X i Y se nezavisni, togax
E(XY ) = E(X)E(Y ).
Tvrdenjeto 5 moe da se obopxti, i se dobiva
6 Ako sluqajnite promenlivi X1, X2, ..., Xk se nezavisni vo celi-
na, togax
E(X1X2 . . . Xk) = E(X1)E(X2) . . . E(Xk).
7 Ako sluqajnite promenlivi X i Y se nezavisni, togax
D(X + Y ) = D(X) + D(Y ).
Matematika II (za studenti po biologija) 129
8 Ako sluqajnite promenlivi X1, X2, ..., Xk se nezavisni vo celi-
na, togax
D(X1 + X2 + · · · + Xk) = D(X1) + D(X2) + · · · + D(Xk).
3.2.10.9 Primeri na korisni diskretni sluqajni promenlivi
3.2.10.9.1 Binomna raspredelba
Neka E e daden eksperiment i A e eden sluqaen nastan vo vrska
so eksperimentot.
i) Eksperimentot E go povtoruvame n pati pri isti uslovi i
pritoa, rezultatot pri koja bilo realizacija na eksperimentot
ne zavisi od rezultatite vo drugite realizacii na E.
ii) Pri sekoja realizacija na E nastanot A nastapuva so ista
verojatnost p (zaradi i)) i taa se narekuva verojatnost na uspeh.
Togax q = 1−p e verojatnosta na A, t.e. verojatnosta da pri reali-
zacija na E ne nastapi nastanot A i taa se narekuva verojatnost
na neuspeh.
Ova e primer na sproveduvanje na edna serija od n nezavisni
povtoruvanja na daden eksperiment, poznata i kako xema na Ber-
nuli.
Za xemata na Bernuli vai slednovo tvrdenje.
1 Verojatnosta nastanot A da se pojavi (nastapi) toqno k pati
vo serija od n nezavisni povtoruvanja na daden eksperiment, t.e.
verojatnosta na toqno k uspesi vo n povtoruvanja e oznaqena i
dadena so
Pn,p (k) =
(
n
k
)
pkqn−k
kade
(
n
k
)
= Ckn e binomniot koeficient.
Za dadena xema na Bernuli, n i p se konstanti, pa funkcijata
Pn,p(k) ja dava slednava diskretna sluqajna promenliva B(n, p).
130 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Se narekuva Binomna raspredelba bidejki za k = 0, 1, 2, ..., n,
verojatnostite so koi B(n, p) gi prima tekovnite vrednosti se
posledovatelni qlenovi vo razvojot na
(q + p)n
= qn +
(
n
1
)
qn−1p + ... +
(
n
k
)
qn−kpk + ... + pn.
Uxte se narekuva i Bernulieva distribucija.
Osobinite na ovaa distribucija gi dava slednovo svojstvo.
2 Ako sluqajnata promenliva X ima binomna distribucija
B(n, p), togax
i) E(X) = np,
ii) D(X) = npq.
Primer 1. Poznato e deka edna maxina proizveduva 6% de-
fektni proizvodi. Kolkava e verojatnosta vo sluqajno izbrani 5
proizvodi da ima 2 defektni?
Rexenie. Brojot na defektnite proizvodi vo 5 izbrani pro-
izvodi e sluqajna promenliva so binomna raspredelba B(n, p),
kade n = 5, a p = 6100
= 0, 06. Spored toa,
P5;0,06 (2) =
(
5
2
)
0, 062(1 − 0, 06)5−2 = 0, 0318096.
Zabelexka. Ako dobienite proizvodi od ovaa maxina gi paku-
vame vo kutii koi sodrat po 5 proizvodi, bez pritoa da gi od-
deluvame defektnite od ispravnite proizvodi, togax priblino
vo 3,2% od kutiite ke imame po toqno 2 defektni proizvodi.
Primer 2. Pri vkrstuvanje na dve edinki od maxki i en-
ski pol, so genotip za krvni grupi IAIA i IAi, soodvetno, koja e
verojatnosta da 2 od 6 potomci imaat genotip IAi.
Matematika II (za studenti po biologija) 131
IA
i
IA
IA
IA
IA
i
IA
IA
IA
IA
i
Verojatnosta da se dobie heterozigot vo F1 generacija iznesuva
50%, odnosno
n = 6; p = 50100
= 0, 5; k = 2?
P6;0,5 (2) =
(
6
2
)
0, 52(1 − 0, 5)6−2
= 15 · 0, 25 · 0, 54 = 0, 2344.
Primer 3. Pri vkrstuvanje na dve edinki od maxki i en-
ski pol, so genotip za krvni grupi IAIB i IAi, soodvetno, koja e
verojatnosta 2 od 3 potomci da imaat A krvna grupa?
3.2.10.9.2 Poasonova raspredelba
Neka a > 0. Funkcijata X koja prima vrednosti k = 0, 1, 2, 3, ...
so verojatnosti
P (k) =ak
k!e−a, k = 0, 1, 2, 3, ...
i za koi vai
∞∑
k=0
P (k) =
∞∑
k=0
ak
k!e−a = e−a
∞∑
k=0
ak
k!= e−aea = 1
e diskretna sluqajna promenliva, za koja se veli deka ima Poa-
sonova raspredelba so parametar a i se oznaquva so P (a).
Toqno e slednovo svojstvo.
1 Ako sluqajnata promenliva X ima Poasonova raspredelba
P (a), togax
i) E(X) = a,
ii) D(X) = a.
132 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Zabelexka. Se dokauva deka sledniov matematiqki model,
koj e dosta qest vo razliqni primeni, e tesno povrzan so Poa-
sonovata rasperdelba.
Da pretpostavime deka vo vreme [0,∞) registrirame oprede-
leni momenti, kako na primer, zvonenje na telefon, doaganje na
klienti na xalter vo nekoja institucija, pominuvanje na avto-
mobili pokraj opredelen objekt i sliqno. Znaqi, imame eden
protok na nastani\. Pritoa, zborot nastan\ ne e vo smisla na
sluqaen nastan, tuku oznaquva edna sluqajna toqka na vremenska
poluoska. So X[a, b] ja oznaquvame sluqajnata promenliva koja go
dava brojot na nastanite\ vo vremenskiot interval [a, b]. Ova e
diskretna sluqajna promenliva koja prima vrednosti od mnoes-
tvoto 0, 1, 2, 3, .... Golem broj sluqai vo praktikata moe da se
opixat so slednive pretpostavki.
- homogenost: raspredelba na verojatnostite na sluqajnata
promenliva X[a, b] ne zavisi od polobata na intervalot [a, b],
tuku samo od negovata dolina b − a.
- nezavisnost: ako intervalite [a, b] i [c, d] se disjunktni, togax
nastanite (X[a, b] = k1) i (X[c, d] = k2) se nezavisni za sekoi k1, k2 =
0, 1, 2, 3, ....
- separabilnost:
lim∆t→0
P (X [t, t + ∆t] > 1)
∆t= 0
xto praktiqno znaqi deka ne e mono vo koj bilo moment t da se
realizira\ poveke od eden nastan\.
Se dokauva deka pri vakvi pretpostavki sluqajnata promen-
liva X[0, t] = X(t) ima P (at) raspredelba, kade a > 0 e fiksiran
parametar koj go karakterizira intenzitetot na protokot na nas-
tani\, t.e. a e broj na nastani\ vo edinica vreme.
Primer 1. Spored podatocite od edna banka, vo prosek 5 kli-
enti na qas podnesuvaat baranje za kratkoroqen kredit. Ako pret-
postavime deka klientite doagaat vo bankata nezavisno i so ista
verojatnost vo tekot na sekoj qas, kolkava e verojatnosta bankata
Matematika II (za studenti po biologija) 133
da ima
a) 3 klienti
b) poveke od 7 klienti?
Rexenie. Brojot na klienti koi sekoj den vo tekot na eden
qas od rabotnoto vreme doagaat vo bankata e diskretna sluqajna
promenliva koja ima Poasonova raspredelba so parametar a = 5,
t.e.
P (k) =5k
k!e−5, k = 0, 1, 2, ...
pa baranite verojatnosti se:
a) P (3) = 53
3!e−5 ≈ 0, 14037
b) P (X > 7) = 1 −7∑
k=0
P (k) ≈ 1 − 0, 8666 = 0, 1334.
3.2.10.9.3 Hipergeometriska raspredelba
Raspredelba na belite topqinja X pri izbor na k topqinja
odednax od kutija vo koja ima m beli i n − m crni topqinja e
dadena so
P (j) =
(
n
j
)(
n − m
k − j
)
(
n
k
) , j = 0, 1, 2, ..., s,
kade s = minm, k, se narekuva hipergeometriska raspredelba
i se oznaquva so H(n, m, k).
Vai slednovo svojstvo.
1 Ako sluqajnata promenliva X ima hipergeometriska raspre-
delba H(n, m, k), togax
i) E(X) = mkn
ii) D(X) = mk(n−m)(n−k)n2(n−1)
.
134 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
3.2.10.9.4 Ramnomerna raspredelba
Neka N e daden priroden broj. Za funkcijata X koja prima
vrednosti m = 1, 2, ..., N so verojatnosti
P (X = m) =1
N, m = 1, 2, ..., N
vain∑
m=1
P (X = m) =n∑
m=1
1
N= N · 1
N= 1
pa X pretstavuva diskretna sluqajna promenliva, za koja se veli
deka e ramnomerna raspredelba na mnoestvoto 1, 2, ..., N.1 Ako sluqajnata promenliva X ima ramnomerna raspredelba,
togax
i) E(X) = N+12
ii) D(X) = N2−112
.
3.2.10.9.5 Geometriska raspredelba
Neka p e realen broj takov xto 0 < p < 1. Za funkacijata X
koja prima vrednosti 0, 1, 2, 3, ... so verojatnosti
P (k) = p(1 − p)k, k = 0, 1, 2, ...
vai
∞∑
k=0
P (k) =∞∑
k=0
p(1 − p)k = p∞∑
k=0
(1 − p)k = p1
1 − (1 − p)= 1,
pa X pretstavuva diskretna sluqajna promenliva za koja se veli
deka ima geometriska raspredelba so parametar p.
1 Ako sluqajnata promenliva X ima geometriska raspredelba,
togax
i) E(X) = qp
ii) D(X) = qp2 ,
kade q = 1 − p.
Matematika II (za studenti po biologija) 135
Primer 1. Vo edna fabrika, sekoj proizvod podlei na te-
stiranje vednax po izrabotuvanjeto. Verojatnosta testiraniot
proizvod da e ispraven, t.e. testot da e pozitiven e 45, a da e
neispraven, t.e. testot da e negativen e 15. Neka X e brojot na
testiranjata zakluqno so prviot pozitiven test. Najdi ja raspre-
delbata na verojatnostite na sluqajnata promenliva X i verojat-
nosta na nastanot
A: testiranjeto zavrxuva posle paren broj testovi.
Rexenie. Sluqajnata promenliva X prima vrednosti 1, 2, 3, ....
Nastanot (X = n) se realizira ako i samo ako prvite n − 1 testi-
ranja se negativni, a n-toto e pozitivno, pa spored toa
P (X = n) =1
5· 1
5· ... · 1
5︸ ︷︷ ︸
n−1 pati
·45
=4
5
(1
5
)n−1
, n = 1, 2, 3, . . . .
Znaqi, X ima geometriska raspredelba so parametar p = 45.
Nastanot A se realizira ako i samo ako vrednosta na sluqaj-
nata promenliva X e paren broj, t.e. mnoestvoto A = 2, 4, 6, ....Spored toa,
P (A) =∞∑
k=1
P (2k) =∞∑
k=1
45
(1 − 4
5
)2k−1= 4
5
∞∑
k=1
(15
)2k−1=
= 45
∞∑
k=1
(15
)2k(15
)−1= 4
5· 5 ·
∞∑
k=1
(15
)2k= 4 · 1
25· 1
1− 125
= 16.
3.2.10.9.6 Paskalova raspredelba
Verojatnosta da se pojavi nastan A vo daden eksperiment e p 6= 0
i e ista pri sekoe povtoruvanje na eksperimentot. Pritoa, rezul-
tatite pri povtoruvanje na eksperimentot se nezavisni. Eksperi-
mentot go povtoruvame se dodeka nastanot A se realizira k pati.
So X go oznaquvame brojot na povtoruvanja na eksperimentot za
da nastanot A se realizira k pati. Jasno e deka X moe da primi
vrednost koj bilo od broevite k, k + 1, k + 2, ....
Ako X prima vrednost n, t.e. ako eksperimentot treba da se
136 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
povtori n pati, toa znaqi deka vo prethodnite n− 1 povtoruvanja,
nastanot A se realiziral k−1 pati i deka A se realizira i vo n-
tiot eksperiment. Spored binomnata raspredelba, verojatnosta
A da se realizira k−1 pati vo n−1 povtoruvanja na eksperimentot
e dadena so
(
n − 1
k − 1
)
pk−1qn−1−(k−1) =
(
n − 1
k − 1
)
pk−1qn−k,
kade q = 1 − p, pa verojatnosta X da primi vrednost n, t.e. P (n) e
dadena so
P (n) =
(
n − 1
k − 1
)
pk−1qn−kp,
t.e.
P (n) =
(
n − 1
k − 1
)
pkqn−k.
Imajki predvid deka
(
n − 1
k − 1
)
=
(
n − 1
n − 1 − (k − 1)
)
=
(
n − 1
n − k
)
dobivame deka
P (n) =
(
n − 1
n − k
)
pkqn−k, n = k, k + 1, k + 2, ....
Se dokauva deka∞∑
n=k
P (n) = 1, od kade sleduva deka sluqajnata
promenliva X koja prima vrednosti k, k+1, k+2, ... so verojatnosti
P (n) =
(
n − 1
n − k
)
pkqn−k,
soodvetno, e diskretna sluqajna promenliva, i za nea se veli deka
ima Paskalova raspredelba so parametri k i p.
1 Ako sluqajnata promenliva X ima Paskalova raspredelba
so parametri k i p, togax
Matematika II (za studenti po biologija) 137
E(X) =k
p.
3.2.10.10 Neprekinati sluqajni promenlivi
Za razlika od diskretnata sluqajna promenliva, neprekinatata
sluqajna promenliva ξ moe da gi primi site vrednosti od nekoj
interval (a, b) a funkcijata na raspredelba F (x) da bide nepreki-
nata funkcija na toj interval. Vo toj sluqaj, za nekoj x ∈ (a, b)
imame P (ξ = x) = 0. Poradi toa, neprekinatata sluqajna promen-
liva ne moe da se okarakterizira so verojatnostite (site tie se
ednakvi na nula, no nieden od sluqajnite nastani ξ = x, x ∈ (a, b)
ne e nevozmoen, a za razliqni x1, x2 ∈ (a, b), ξ moe edniot od
dvata broja da go primi poqesto od drugiot). Zatoa, vo sluqaj
na neprekinata sluqajna promenliva se bara drug naqin na zada-
vanje na sluqajnata promenliva, koj gi zadruva analogiite so
verojatnostite vo diskretniot sluqaj.
Neka ξ e neprekinata sluqajna promenliva so funkcija na ras-
predelba F (x), za koja pretpostavuvame deka e neprekinata i dife-
rencijabilna funkcija. Kako i kaj diskretnata sluqajna promen-
liva, i ovde
P (x < ξ < x + ∆x) = F (x + ∆x) − F (x)
t.e. verojatnosta ξ da prima vrednosti od intervalot (x, x + ∆x)
e ednakva na narasnuvanjeto na funkcijata na raspredelba na toj
interval.
Izrazot
P (x < ξ < x + ∆x)
∆x=
F (x + ∆x) − F (x)
∆x
se narekuva sredna gustina na verojatnostite na ξ na ∆x.
Graniqnata vrednost na srednata gustina na verojatnostite,
138 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
pri ∆x → 0, t.e.
lim∆x→0
P (x < ξ < x + ∆x)
∆x= lim
∆x→0
F (x + ∆x) − F (x)
∆x
postoi zaradi pretpostavkata za diferencijabilnost na funkci-
jata F (x) i e ednakov na F ′(x).
Graniqnata vrednost
lim∆x→0
P (x < ξ < x + ∆x)
∆x
ja oznaquvame so ϕ (x) i ja narekuvame gustina na verojatnostite
ili zakon na verojatnostite na sluqajnata promenliva ξ.
Znaqi,
ϕ (x) = F ′ (x) .
Grafikot na ϕ(x) se narekuva kriva na raspredelba na vero-
jatnostite.
Da navedeme nekoi svojstva na ϕ(x).
1 ϕ(x) ≥ 0, ∀x ∈R.
Dokaz. ϕ(x) = F ′(x) ≥ 0 bidejki F (x) e monotono neopagaqka
funkcija.
2 ϕ(x) e neprekinata, osven moebi vo koneqen broj na izoli-
rani toqki na prekin vo sekoj proizvolno zemen koneqen interval.
3
P (x1 < ξ < x2) =
x2∫
x1
ϕ(x)dx
Matematika II (za studenti po biologija) 139
Dokaz.
P (x1 < ξ < x2) = F (x2) − F (x1) =
x2∫
x1
F ′(x)dx =
x2∫
x1
ϕ(x)dx.
Geometriski, verojatnosta ξ da primi vrednosti od intervalot
(x1, x2) e ednakva na ploxtinata na krivoliniskiot trapez ABCD.
4
F (−∞) = limx→−∞
F (x) = 0
F (∞) = limx→∞
F (x) = 1∞∫
−∞ϕ(x)dx = 1
Dokaz.
∞∫
−∞ϕ(x)dx = lim
b→−∞
0∫
−b
ϕ(x)dx + lima→∞
a∫
0
ϕ(x)dx =
= limb→−∞
0∫
b
F ′(x)dx + lima→∞
a∫
0
F ′(x)dx =
= limb→−∞
(F (0) − F (b)) + lima→∞
(F (a)− F (0)) =
= F (0) − F (−∞) + F (∞) − F (0) = −F (−∞) + F (∞) = −0 + 1 = 1.
5
F (x) = P (x < ξ) =
x∫
−∞
ϕ (t) dt
Dokaz. 5 neposredno sleduva od relacijata kojaxto ja izrazu-
va gustinata na verojatnostite na ξ preku funkcijata na raspre-
delba.
Zabelexka. 1) 5 ja izrazuva funkcijata na raspredelba na ξ
preku gustinata na raspredelba na ξ.
2) Geometriski, F (x) e ploxtina na zatemnetiot del od crteot,
oznaqen so T .
140 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
6 Ako ϕ(x) = 0, x < a, x > b, togax
∞∫
−∞
ϕ (t) dt =
b∫
a
ϕ (t) dt.
7 Od se pogore kaano, neprekinatata sluqajna promenliva, ξ,
moe da ja zapixuvame na sledniov naqin
ξ =
x, ϕ (x) ,
∞∫
−∞
ϕ (x) dx = 1, F (x) =
x∫
−∞
ϕ (t) dt
.
Zaradi 4 funkcijata na raspredelba, F (x), ima dve horizon-
talni asimptoti:
y = 0, pri x → −∞ i
y = 1, pri x → ∞.
Znaeme i deka F (x) e monotono neopagaqka funkcija, pa koneqno,
grafikot na F (x) na neprekinatata sluqajna promenliva ξ, izgleda
kako na sledniov crte
Primer 1. Sluqajnata veliqina ξ ima zakon na verojatnostite
ϕ (x) =
a cos x, −π2
< x < π2
0, x ≤ −π2, x ≥ π
2
Opredeli go a, nacrtaj go grafikot na ϕ(x) i na F (x). Pres-
metaj ja verojatnosta ξ da primi vrednosti od intervalot(0, π
4
).
Matematika II (za studenti po biologija) 141
Rexenie. Od∞∫
−∞ϕ (x) dx = 1, dobivame deka
π2∫
−π2
a cos xdx = 1 ⇔ a sinx
∣∣∣∣∣
π2
−π2
= 1 ⇔ a(sin π
2− sin
(−π
2
))= 1 ⇔
⇔ a (1 − (−1)) = 1 ⇔ 2a = 1 ⇔ a = 12.
Da ja opredelime F (x).
1) Neka x ∈(−∞, π
2
]. Togax
F (x) =
x∫
−∞
ϕ (t)dt =
x∫
−∞
0 · dt = 0.
2) Neka x ∈(−π
2, π
2
). Togax
F (x) =x∫
−∞ϕ (t) dt =
−π2∫
−∞ϕ (t)dt +
x∫
−π2
ϕ (t) dt =
=−π
2∫
−∞0 · dt +
x∫
−π2
12costdt = 0 + 1
2sin t
∣∣∣∣∣
x
−π2
=
= 12
(sinx − sin
(−π
2
))= 1
2(sinx + 1.)
.
3) Neka x ∈[
π2,∞). Togax
F (x) =x∫
−∞ϕ (t) dt =
−π2∫
−∞ϕ (t) dt +
π2∫
−π2
ϕ (t) dt +x∫
π2
ϕ (t) dt =
=−π
2∫
−∞0 · dt +
π2∫
−π2
12cos tdt +
x∫
π2
0 · dt =
= 0 + 1 + 0 = 1.
142 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Znaqi,
F (x) =
0, x ∈(−∞,−π
2
]
12(sinx + 1) , x ∈
(−π
2, π
2
)
1, x ∈[
π2,∞)
P(0 < ξ < π
4
)=
π4∫
0
ϕ (x) dx = F(
π4
)− F (0) =
= 12
(sin π
4+ 1)− 1
2(sin 0 + 1) = 1
2
(√2
2+ 1)
− 12(0 + 1) =
√2
4.
3.2.10.11 Funkcii od neprekinati sluqajni promenlivi ∗
Bez dokaz ke ja navedeme slednava teorema.
Teorema. Neka X e neprekinata sluqajna promenliva koja prima
vrednosti od intervalot (a, b) i neka ϕX (x) e gustina na X i e
neprekinata funkcija. Ako g(x) e strogo monotona funkcija na
(a, b) so neprekinat izvod na (a, b), togax gustinata na sluqajnata
promenliva Y = g(X) e dadena so
ϕY (x) = ϕX
(g−1 (x)
)∣∣∣
(g−1 (x)
)′∣∣∣ .
Matematika II (za studenti po biologija) 143
3.2.10.12 Brojni karakteristiki na neprekinati sluqajni pro-
menlivi ∗
Neka X e neprekinata sluqajna promenliva so gustina ϕ(x).
Ako integralot∞∫
−∞|x|ϕ (x) dx konvergira, togax brojot
E (x) =
∞∫
−∞
xϕ (x) dx
e matematiqko oqekuvanje na sluqajnata promenliva X.
Koristejki ja teoremata od prethodniot del, se dokauva sled-
nava teorema.
Teorema. Neka X e neprekinata sluqajna promenliva so kone-
qno matematiqko oqekuvanje E(X) i neprekinata gustina ϕ(x) i
neka g(x) e neprekinata funkcija so domen xto gi sodri vrednos-
tite na X. Togax matematiqkoto oqekuvanje na sluqajnata promen-
liva Y = g(X) e dadeno so
E (Y ) =
∞∫
−∞
g (x)ϕ (x) dx.
Direktno od poslednava teorema sleduva slednava posledica.
Posledica. Neka X e neprekinata sluqajna promenliva so
koneqno matematiqko oqekuvanje, E(X), i neka a, b ∈R. Togax
i) E(X − E(X)) = 0
ii) E(aX + b) = aE(X) + b.
Primer 1. Za sluqajnata promenliva X od primer 1 od delot
3.2.10.10, t.e. X so
ϕ (x) =
12cosx, x ∈
(−π
2, π
2
)
0, x /∈(−π
2, π
2
)
144 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
matematiqkoto oqekuvanje E(X) e
E (X) =
∞∫
−∞
xϕ (x) dx =
∞∫
−∞
x · 1
2cos xdx =
1
2
∞∫
−∞
x cos xdx = 0.
Toqni se slednive svojstva.
1 Ako X i Y se neprekinati sluqajni promenlivi nad ist pro-
stor od elementarni nastani i za koi postojat matematiqki oqeku-
vanja E(X) i E(Y ), soodvetno, togax
E(X + Y ) = E(X) + E(Y ).
Neka X e neprekinata sluqajna promenliva so gustina ϕ(x).
Matematiqkoto oqekuvanje
E((X − E (X))2) =
∞∫
−∞
(x− E (X))2ϕ (x) dx
e disperzija na sluqajnata promenliva X, i, kako i vo sluqa-
jot na diskretnata sluqajna promenliva, se oznaquva so D(X),
a σ =√
D (X) e sredno kvadratno otstapuvanje na sluqajnata
promenliva X ili standardna devijacija na X.
Neka X e neprekinata sluqajna promenliva so koneqno matema-
tiqko oqekuvanje E(X) i koneqna disperzija D(X). Togax
1 D(X) ≥ 0, i D(X) = 0 ako i samo ako postoi konstanta C
takva xto D(X = C) = 1.
2 Za a, b ∈R, D(aX + b) = a2D(X)
3 D(X) = E(X2) − (E(X))2
4 D
(
X−E(X)√D(X)
)
= 1.
Matematika II (za studenti po biologija) 145
3.2.10.13 Primeri na neprekinati sluqajni promenlivi
3.2.10.13.1 Ramnomerna raspredelba
Definicija. Za sluqajnata promenliva X ke velime deka ima
ramnomerna raspredelba na intervalot [a, b] ako nejzinata gustina
e
ϕ (x) =
c, a ≤ x ≤ b
0, x /∈ [a, b]
Ke oznaquvame U([a, b]).
Od
1 =
∞∫
−∞
p (x) dx = c
b∫
a
dx = c (b − a)
sleduva c = 1b−a
.
Znaqi, gustinata na raspredelba na sluqajnata promenliva X
e
ϕ (x) =
1
b−a, a ≤ x ≤ b
0, x /∈ [a, b](1)
Za funkcijata na raspredelba na sluqajnta promenliva X do-
bivame
F (x) = P (X ≤ x) =
x∫
−∞
ϕ (t)dt =
0, x ≤ a
1b−a
x∫
a
dt, a < x < b
1, x ≥ b
146 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
pa
F (x) =
0, x ≤ ax−ab−a
, a < x < b
1, x ≥ b
.
Od (1) i definiciite za matematiqko oqekuvanje i disperzija
dobivame
E (X) =
∞∫
−∞
xϕ (x) dx =1
b − a
b∫
a
xdx =b2 − a2
2 (b− a)=
a + b
2,
E(X2)
=
∞∫
−∞
x2ϕ (x) dx =1
b − a
b∫
a
x2dx =b3 − a3
3 (b − a)=
b2 + ba + a2
3
i
D (X) = E(X2)− (E (X))2 =
b2 + ba + a2
3− (a + b)2
4=
(b − a)2
12.
3.2.10.13.2 Normalna raspredelba
Neka a ∈R i σ > 0. Za funkcijata
ϕ (x) =1√2πσ
e−12 (
x−aσ )
2
, x ∈ R (1)
vai deka ϕ (x) > 0, za sekoj x ∈R i se dokauva deka
∞∫
−∞
ϕ (x) dx = 1.
Definicija. Za sluqajnata promenliva X velime deka ima
normalna (Gausova) raspredelba so parametri a i σ2 ako taa
ima gustina (1).
Zabelexka. Normalnata raspredelba e ednoznaqno opredelena
so parametrite a i σ2, pa zatoa vo natamoxnite razgleduvanja
istata ke ja oznaquvame so N(a; σ2). Normalnata raspredelba so
parametri a = 0 i σ2 = 1 ja narekuvame standardna i nejzinata
Matematika II (za studenti po biologija) 147
gustina na raspredelba e
ϕ (x) =1√2π
e−x2
2 .
Od (1) sleduva deka krivata na gustinata na normalnata raspre-
delba e simetriqna vo odnos na pravata x = a i taa ima oblik kako
na sledniov crte.
Na sledinov crte se prikaani dve normalni raspredelbi
N (16; 4) i N (16; 1).
Zabelexka. Normalnata raspredelba ima golemo znaqenje vo
teorijata na verojatnosta i statistikata, pa zatoa ovde ke navede-
me uxte nekolku nejzini svojstva. Za standardnata normalna ras-
148 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
predelba, funkcijata na raspredelba e dadena so
F0 (x) =1√2π
x∫
−∞
e−t2
2 dt
i ja narekuvame normalna funkcija na raspredelba. Taa e nepre-
kinata, strogo monotono rasteqka i vai
limx→−∞
F0 (x) = 0, limx→∞
F0 (x) = 1.
Od parnosta na funkcijata ϕ(x) sleduva deka za sekoj x ∈R vai
F0 (−x) = 1 − F0 (x) .
Teorema. Ako sluqajnata promenliva X ima normalna raspre-
delba N(a; σ2), togax nejzinoto matematiqko oqekuvanje e
E(X) = a
a disperzijata e
D(X) = σ2.
Zabelexka. a) Za a = 0 i σ2 = 1 ja dobivame standardnata
normalna raspredelba N(0; 1), za koja imame E(X) = 0 i D(X) = 1.
b) Neka Xe sluqajna promenliva so normalna raspredelba N(a; σ2).
Verojatnosta P (x1 ≤ X ≤ x2) sluqajnata promenliva X da primi
vrednosti od intervalot [x1, x2] ja izrazuvame so formulata
P (x1 ≤ X ≤ x2) =
x2∫
x1
1√2πσ
e−12(
x−aσ )
2
dx.
Ako vo integralot od desnata strana ja vovedeme smenata u = x−aσ
dobivame
P (x1 ≤ X ≤ x2) =1√2π
x2−a
σ∫
x1−a
σ
e−u2
2 du.
Matematika II (za studenti po biologija) 149
Od poslednoto ravenstvo i od svojstvata na integralot na Laplas
sleduva:
- Ako x1, x2 > a, togax
P (x1 ≤ X ≤ x2) = F0
(x2 − a
σ
)
− F0
(x1 − a
σ
)
.
- Ako x1 < a < x2, togax
P (x1 ≤ X ≤ x2) = F0
(x2−a
σ
)− F0
(x1−a
σ
)=
= F0
(x2−a
σ
)− F0
(−a−x1
σ
)= F0
(x2−a
σ
)+ F0
(a−x1
σ
)
- Za x1, x2 < a imame
P (x1 ≤ X ≤ x2) = F0
(x2−a
σ
)− F0
(x1−a
σ
)=
= F0
(−a−x2
σ
)− F0
(−a−x1
σ
)= F0
(a−x1
σ
)− F0
(a−x2
σ
)
150 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
- Ako x > a, togax
P (X ≤ x) = P (X ≤ a) + P (a ≤ X ≤ x) =1
2+ F0
(x − a
σ
)
- Za x > a imame
P (X ≥ x) = 1 − P (X ≤ x) =1
2− F0
(x− a
σ
)
- Ako x < a, togax
P (X ≤ x) = P (X ≤ a) − P (x ≤ X ≤ a) =1
2− F0
(a − x
σ
)
Matematika II (za studenti po biologija) 151
- Ako x < a togax
P (x ≤ X) = 1 − P (X ≤ x) =1
2+ F0
(a − x
σ
)
3.2.10.13.3 Gama raspredelba
Neka α > 0 i λ > 0. Da ja razgledame funkcijata
ϕ (x) =
0, x < 0λαxα−1
Γ(α)e−λx, x ≥ 0
(1)
kade Γ (α) e gama funkcijata zadadena so
Γ (α) =
+∞∫
0
e−xxα−1dx.
Definicija. Za sluqajnata promenliva X ke velime deka ima
152 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
gama raspredelba so paramerti α > 0 i λ > 0 ako taa ima gustina
na raspedelba ϕ(x), dadena so (1).
Oznaquvame so Γ(α, λ).
Teorema. Ako sluqajnata promenliva X ima gama raspredelba
Γ(α, λ), togax nejzinoto matematiqko oqekuvanje e
E (X) =α
λ
a disperzijata e
D (X) =α
λ2.
Zabelexka. Ako vo (1) stavime α = 1 od gama raspredelbata ja
dobivame eksponencijalnata raspredelba so parametar λ. Sega,
od prethodnata teorema dobivame deka za sluqajna promenliva so
eksponencijalna raspredelba vai
E (X) =1
λ, D (X) =
1
λ2.
Zabelexka. Ako vo gustinata (1) stavime λ = 12
i α = k2, k ∈N,
togax ja dobivame gustinata Γ(
k2, 1
2
)na takanareqenata χ2-raspre-
delba so k stepeni na sloboda koja ja oznaquvame so χ2k i koja
ima vana uloga vo statistikata. Matematiqkoto oqekuvanje i
disperzijata na χ2k-raspredelbata se:
E(χ2
k
)=
k212
= k, D(χ2
k
)=
k2(
12
)2 = 2k.
Kako xto rekovme χ2-raspredelbata e edna od poznaqajnite ra-
spredelbi vo statistikata, za xto ke stane zbor podocna. Ova se
doli na nejzinata povrzanost so normalnata raspredelba, koja
zazema centralno mesto vo teorijata i primenite na statistikata.
Na sledniov crte dadeni se graficite na gustinite na χ2k-
raspredelba za razliqni vrednosti na k.
Matematika II (za studenti po biologija) 153
3.2.10.13.4 Studentova t-raspredelba
Neka n ∈N i neka
ϕ (x) =Γ(
n+12
)
√nπ Γ
(n2
)
(
1 +x2
n
)−n+12
. (1)
Definicija. Za sluqajnata promenliva X se veli deka ima
Studentova t-raspredelba so parametar n, ako taa ima gustina
na raspredelba ϕ(x), dadena so (1).
Zabelexka. Od (1) sleduva deka studentovata t-raspredelba e
ednoznaqno opredelena so parametarot n, koj go narekuvame ste-
peni na sloboda.
Matematiqkoto oqekuvanje na sluqajna promenliva X koja ima
154 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
studentova t-raspredelba so n stepeni na sloboda e
E (X) =
∞∫
−∞
xϕ (x) dx =Γ(
n+12
)
√nπΓ
(n2
)
∞∫
−∞
x
(
1 +x2
n
)−n+12
dx = 0
bidejki podintegralnata funkcija e neparna.
Za n > 2 moe da se dokae deka disperzijata na sluqajnata
promenliva X postoi i
D (X) =n
n − 2.
4
STATISTIKA
4.1 Odnosot na teorijata na verojatnosta i matematiqkata
statistika
Teorijata na verojatnost se zanimava so zakonite na raspre-
delbata i brojnite karakteristiki na sluqajnite golemini.
Matematiqkata statistika se zanimava so priblinite metodi
na otkrivanje na zakonite na raspredelbata i na brojni karakte-
ristiki spored rezultatite od nekoi eksperimenti.
Matematiqkata statistika e del od primenetata matematika
koja neposredno se potpira vrz teorijata na verojatnosta. Sepak,
megu niv postoi golema razlika. Dodeka vo teorijata na verojat-
nosta rabotime so verojatnosta a priori, vo statistikata ovie
verojatnosti odnapred ne gi znaeme, a niv moeme da gi sogledame,
i toa samo priblino, a posteriori, vo nekoi eksperimenti.
Razrabotkata na metodite na registracija, opis i analiza na
eksperimentalnite podatoci, dobieni vo tekot na posmatranjeto
na masovnite sluqajni pojavi e predmet na matematiqkata statis-
tika. Vo procesite na prouquvanjeto na ovie pojavi statistikata
se slui so opredeleni metodi. Po odnapred postaven plan taa
sobira podatoci za ovie pojavi (po pat na popis, anketa, kon-
statacii, zabeleuvanje, merenje, eksperimentiranje, itn.) pa po-
155
156 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
toa istite gi obrabotuva i vrz osnova na ovaa obrabotka od niv
izvlekuva opredeleni zakluqoci, znaqajni za teorijata i prime-
nata.
No, vo praktikata sekogax imame rabota samo so ograniqeno
koliqestvo eksperimentalni podatoci. Bidejki eksperimentot e
skap, trae dolgo vreme, a i besmisleno e toj da trae predolgo,
i zatoa mora da bide ograniqen. Zatoa rezultatite od eksperi-
mentite i nivnata obrabotka sodrat pogolem ili pomal element
na sluqajnost. Pri toa e neophodno da se opredeli, kakvi karak-
teristiki na razgleduvanata pojava se postojani i navistina se
vrzani za nea, a kakvi se sluqajni i se javuvaat vo dadena serija
eksperimenti samo poradi ograniqeniot obem na eksperimentot i
maliot broj na podatocite.
Teorijata na verojatnosta i matematiqkata statistika zaemno
se isprepletuvaat. Vo teorijata na verojatnosta spored dadenite
verojatnosti i funkcii na raspredelba se naogaat drugi, novi
verojatnosti i funkcii na raspredelba. Se praxuvame, xto e
sosema prirodno, od kade se zemeni poqetnite vrednosti na vero-
jatnostite i poqetnite funkcii na raspredelbata? Ako, da re-
qeme, ni treba pod dadeni uslovi raspredelbata na prodolu-
vanja na sigurnata rabota na nekoi maxini, kako moeme istata
da ja opredelime? Ili drug primer sakame da ja najdeme vero-
jatnosta na raganjeto na maxko dete pri opredeleni opxtestveni
uslovi. Kako da se napravi ova? Samo apriornite rasuduvanja ne
se dovolni.
Neophodni se eksperimeti i specijalni isleduvanja. Pri ova
se pretpostavuva deka eksperimentite se nezavisni eden od drug.
Matematiqkata statistika raspolaga so metodi, koi dozvolu-
vaat od rezultatite na nekoi eksperimenti da napravime sood-
vetni zakluqoci.
Matematika II (za studenti po biologija) 157
4.2 Za raznovidnosta na zadaqite na matematiqkata statis-
tika
Vo svojata osnovna zadaqa ispituvanje na zakonitostite vo
masovnite pojavi, statistikata ima ogromen broj konkretni i mno-
gu vani zadaqi.
I. Nastanot ima verojatnost p, qija vrednost ne ja znaeme. Se
bara od eksperimentalnite rezultati da se oceni vrednosta p. Vr-
xime red nezavisni eksperimenti, vo sekoj od koi nastanot moe
da nastapi. Kako da ja proverime hipotezata, deka verojatnosta
na nastanot bila podednakva za site opiti.
II. Vrxime dve nizi od nezavisni eksperimenti, pri sekoj od
koi nastanot moe da se pojavi so verojatnosti P1 ili P2. Se
praxuvame kako da ja proverime hipotezata deka ovie verojat-
nosti se ednakvi megu sebe?
III. Vrxime niza opiti. Kako da proverime deka ovie opiti se
nezavisni?
Da gi ilustrirame ovie tri osnovni praxanja so eden prost
primer. Neka nastanot se sostoi od raganjeto na maxko dete. Nie
ne ja znaeme verojatnosta i sakame da ja ocenime niz nabljudu-
vanja. Dali taa verojatnost e nepromenliva? Dali pak istata
se menuva vo tekot na edno denonokie? Dali raganjata na ma-
xki deca od edna majka se nezavisni, ili pak, otkako se rodile
nekolku maxki deca po red, verojatnosta na novo raganje na maxko
dete se zgolemuva? I na krajot, sakame da razjasnime zavisi li
verojatnosta za novo raganje na maxko dete od uslovite vo koi se
naoga majkata. Na primer, zavisi li taa verojatnot od klimata,
ishranata, geografskata xirina, karakterot na profesijata na
majkata i tatkoto, itn. Jasno e deka ovoj primer e ilustrativen
i deka brojot na sliqni ilustracii e ogromen.
Da naglasime deka ovde sekade stanuva zbor ne za opredeluvanje
na verojatnosta na A, tuku za nejzinata ocenka. Ova ne e toqen
izraz a e najpravilen izraz, bidejki eksperiment ne moe da dade
158 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
apsolutno toqna vrednost na razgleduvanata promenliva.
Uxte poveke, rezultatite na opitot se sluqajni, zatoa i ocen-
kata, koja xto ke ja dobieme so nivnata pomox, e isto taka sluqaj-
na. So pomox na statistikata i nejzinite pravila nie dobivame
priblina vrednost na nepoznatiot parametar vo nekoja obopxte-
na smisla: postojanata promenliva priblino ja opredeluvame
niz sluqajnata promenliva, konstruirana so pomox na dadeno prav-
ilo po rezultatite od eksperimentot.
Po ovaa vana konstatacija, go prodoluvame opisot na os-
novnite zadaqi na Statistikata:
IV. Mnogu e vaen i interesen problemot za brojot na eksperi-
mentite koi treba da se izvrxat, za ocenkata na verojatnosta na
nastanot koj ne interesira da bide dovolno bliska do vistinskata
vrednost. Ova praxanje moe da proizleze i pri drugi statis-
tiqki zadaqi. Zadaqite vrzani so ocenka na verojatnosta se vani
i raznoobrazni, no se samo del od praxanjata koi se postavuvaat
pred matematiqkata statistika.
V. Druga xiroka klasa problemi e povrzana so ocenkata na
nepoznatata funkcija na raspredelba. Ima sluqai koga nie nixto
ne znaeme za funkcijata na raspredelbata koja ne interesira.
Kako taa da ja ocenime? Moe da se sluqi od nekoi priqini
da sostavime hipoteza, deka baranata funkcija na raspredelbata
e toqno Φ(x). Kako da proverime dali ovaa hipoteza e toqna?
VI. Moe da se sluqi da ni e poznat vidot na funkcija na ra-
spredelbata Φ(x; α, β, γ), no ne ni se poznati parametrite α, β, γ od
koi zavisi ovaa funkcija. Ovaa zadaqa se sveduva na sostavuvanje
na pravilata za ocenka na nepoznatite parametri od eksperimen-
talnite rezultati.
VII. Qestopati proizleguva i slednata zadaqa: Napraveni se
dve ili nekolku serii nezavisini eksperimenti, qii rezultati se
x1, x2, ...xn i y1, y2, ..., yn. Se praxuvame dali sme razgleduvale
sluqajni golemini so edna ista funkcija na raspredelba. Ova
praxanje e od golemo znaqenje za mnogute praktiqni zadaqi.
VIII. Vo vrska so proverkata na kvalitetot na izrabotkata na
Matematika II (za studenti po biologija) 159
produktite, ili nivnata upotreblivost i dolgotrajnost, nastanu-
vaat drugi tipovi problemi. Obiqno nie moeme da gi razgledu-
vame samo onie vrednosti na dadenata sluqajna promenliva, koi
se naogaat na nekoj interval od a do b (a < b). Na primer, ako
eksperimentite se vrxat vo tekot na vreme T , moeme da garan-
tirame za dolgotrajnosta samo na onie proizvodi, za koi istata
bila pomala ili ramna na T . Kako da gi ocenime nepoznatite
parametri vo ovie sluqai?
IX. Vana grupa zadaqi e povrzana vo postavuvanjeto na statis-
tiqki zavisnosti megu nastanite i goleminite. Poznato e deka vo
medicinskata dijagnostika simptomite na zaboluvanjeto obiqno
ne se apsolutni. So drugi zborovi, moe simptomot karakteri-
stiqen za edna bolest da bide prisuten, a pacientot da bole-
duva od druga bolest, qii simptomi ne se pojavile i koja spo-
red toa ostanala nepoznata. Ili moe da se sluqi bolesta da e
jasna i vidliva, bez da se javile karakteristiqnite za nea simp-
tomi. Moe da stane zbor samo za verojatnosta na simptomot
pri dadeno zaboluvanje, ili za verojatnosta na zaboluvanjeto pri
daden moment. Praktiqno e mnogu vano da moeme da ja oprede-
lime silata na vrska megu simptomot i zaboluvanjeto.
X. Sliqni se zadaqite od agrokompleksot, vo vrska so zgole-
muvanjeto na prinosot vo zavisnost od obrabotkata na poqvata,
ili vo vrska so quvanje na dobitok. Vo ovie sluqai obiqno ne
moeme da dobieme sosema ednoznaqen odgovor. Se sluquva duri
i pri merki, prezemeni kako polezni, prinosot da se namali ili
da ostane ist, poradi redica drugi okolnosti, koi ne se zemeni
predvid. Pri golem broj opiti sepak moe da se konstatira ten-
dencija kon zgolemuvanjeto na prinosite.
XI. Edna golema i vana grupa problemi e povrzana so upra-
vuvanjeto na procesite. Da ja razgledame slednata konkretna
zadaqa. Daden e nekoj opredelen tehnoloxki proces, na primer,
obrabotka na metalite. Strugot e dobro naxteluvan i podgotven
vo poqetokot, no vo tekot na vremeto se rasxteluva, a zaedno so
toa opaga i kvalitetot na rabotata. Rezniot instrument, noot,
160 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
se zatapuva, i verojatnosta na xkartot raste. Zadaqata se sos-
toi vo toa da go opredelime onoj moment, vo koj treba da zapre
strugot, da se reprogramira instrumentot i da se smeni noot.
Pri ovaa situacija imame samo eden edinstven naqin da doneseme
rexenie − da izvrxime razgleduvanje na kvalitetot na dobienite
produkti. Ako poqneme da go xteluvame i menuvame noot mnogu
qesto, znaqitelno ke go namalime rabotnoto vreme na strugot i
ke go zgolemime brojot na istroxenite alati. Ako pak, poqneme
namerno da docnime so prekin na rabotata na strugot poradi pre-
strojuvanje, verojatnosta za proizvodstvo na xkartot ke narasne.
Taka proizleguva mnoestvo praxanja za koi vo statistikata
se javuvaat posebni oblasti, koi se posveteni na nivnoto rexa-
vanje.
Ovoj oddaleku potpoln i iscrpen opis na zadaqite na statis-
tikata slui samo da ni ja dolovi vanosta i xiroqinata na ovaa
disciplina.
4.3 Statistiqka masa. Egzemplar
Karakteristika na prirodnite pojavi e nivnata masovnost. Vo
sekoja prirodna pojava uqestvuvaat nebroeno mnogu uqesnici, po-
agajki od joni ili molekuli vo hemiskata reakcija, atomi vo
kristalnata rexetka, pa se do ivi suxtestva qlenovi na bi-
oloxki ili socioloxki zaednici.
Statistiqkoto mnoestvo na site elementi (qlenovi, edinki,
posebnosti, objekti) na nekoja masovna pojava se vika statistiqka
masa ili opxto (generalno, osnovno) statistiqko mnoestvo. Za
generalnoto mnoestvo qesto pati se koristi izrazot populacija.
Teoretski, toa e bezbrojno mnoestvo ili pak mnoestvo qija
brojnost se blii kon beskrajnost. Da zamislime, na primer,
deka edna statistiqka masa e mnoestvoto na site iteli na grad
Njujork, ili edna populacija ribi koja ivee vo razgleduvaniot
zaliv, ili mnoestvo na site bolni od ista dijagnoza, ili site
Matematika II (za studenti po biologija) 161
zrna pqenica so ista teina vo mg od edna prouquvana regija.
Statistiqkata masa znaqi e sostavena od golem broj izoli-
rani elementi. Sepak, postoi nexto xto niv gi obedinuva, edna
zaedniqka osobina, nexto xto gi oddeluva od nekoja druga statis-
tiqka masa. Ovaa osobina se vika obeleje ili karakteristika.
Velime deka elementite se od ist vid.
Vo bioloxkata i medicinskata statistika, statistiqkata masa
e najqesto edno mnoestvo oddelni objekti koi eden od drug se ra-
zlikuvaat kako posebni individui, no vo isto vreme imaat nekoi
bliski suxtinski osobenosti. Na primer, statistiqkata masa se
site deca koi se ragaat vo edna populacija vo tek na mesecot ili
godinata.
Oddelnite elementi, koi vleguvaat vo statistiqkata masa, se
vikaat qlenovi na statistiqkata masa, a brojot na site qlenovi
(ako postoi) e nejzina dimenzija.
Elementite na statistiqkata masa ne se identiqni eden na
drug tuku samo imaat edno (ili poveke) zaedniqki osobini, koi
gi povrzuvaat vo edna celina. Bidejki ako elementite na statis-
tiqkata masa bi bile identiqni, bi bilo dovolno da se razgle-
duva samo eden element kako pretstavnik na celoto generalno mno-
estvo, i nikakva statistika tuka ne bi bila potrebna. Sluqai
koga samo eden pretstavnik e dovolen se izvonredno retki. (na
primer ako sakame da utvrdime estetski kvaliteti na rexeni-
eto na oblikuvanjeto na monetata od 1 denar, dovolno e da ze-
meme od kup pari samo eden nov primerok moneta). Vo beskraj-
nata masa bioloxki i statistiqki suxtestva megu sekoi dva ele-
menti ima nekoja razlika, pa duri i vo ona osnovnoto obeleje
koe gi obedinuva. Priqinite za pojava na neidentiqnosta na dva
promenelivi elementi od istata statistiqka masa ne se predmet
na statistikata, tie bitno zavisat od prirodata na razgleduva-
nite elementi, i se opredeluvaat so metodite na drugite, sood-
vetni nauki (fizika, hemija, biologija, patologija, itn.) Duri
potoa matematiqkata statistika go prouquva kaj ovie elementi
nivnoto barano kvalitativno ili kvantitativo obeleje (na primer
162 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
standardnosta na dimenziite e kvantitativna osobina (obeleje)
na eden proizvod (alat, konfekcija, maxina); a standardnosta na
materijalot (boja, tvrdina, izdrlivost, postojanost) e kvalita-
tivna osobina.
Elementite na statistiqkata masa ne se identiqni vo odnos
na karakteristikata koja se ispituva pri ovie elementi, tuku
taa osobenost se iskauva vo razni varijanti, ili, kako xto se
veli, vo modaliteti. Ako vo dadenoto statistiqko mnoestvo se
prouquva nekoja osobina, koja se menuva pri preminot od eden
qlen na mnoestvoto kon drug, taa promena na ovaa osobina se
vika varijacija, a brojnata vrednost x na dadeniot qlen na stati-
stiqkata masa se vika negovata varijanta x.
Primer 1. Pri novorodenite deca, teinata x e varijanta,
koja se menuva od dete na dete. Taa e tolku vaen indikator,
xto e eden od prvite podatoci koi se zemaat za novorodenqeto.
Pri ova, generalnata statistiqka masa, t.e. brojot na site deca
vo svetot rodeni vo opredelen vremenski period, ne moe da se
utvrdi.
Primer 2. Pri merenje na visinata (h = obeleje, karakte-
ristika, koja ne interesira) na mnoestvoto 7 160 vojnici (stati-
stiqka masa), utvrdeni se slednite podatoci:
Vo vtoriot red se dadeni broevi-elementi vo sekoe od pod-
mnoestvata na dadenata statistiqka masa od 7 160 vojnici: sekoe
od ovie podmnoestva odgovara na edna varijanta na visinata h -
karakteristikata koja vo ovaj sluqaj nas ne interesira.
I ovde ne raspolagame so generalnata statistiqka masa - toa
bi bile site vojnici od ovaa armija. Konstatirame deka texko
moe da se operira so generalnata statistiqka masa vo najopxt
sluqaj.
Na takov naqin, ispituvaqot na pojavata, osobeno bioloxkiot
medicinar, skoro nikogax nema da ima monost da raspolaga so
generalnoto mnoestvo, bidejki:
Matematika II (za studenti po biologija) 163
1. Generalnoto mnoestvo e tolku ogromno brojno (ili bezbroj-
no), skoro nikogax da ne moe da bide koncentrirano, dofateno,
podredeno, prebrojano.
2. Objektite na generalnoto mnoestvo qestopati se texko
pristapni.
3. Brojot na monite povtoruvanja na poveketo eksperimenti
qestopati ne e ograniqen.
Zatoa obiqno se proquva samo nekoj del od elementite na ge-
neralnoto statistiqko mnoestvo X, t. e. so cel da se najde
zakonot na raspredelbata ili eksperimentalno da se proveri hi-
potezata za toa, dali promenlivata X e podlona na ovoj ili
onoj zakon, i da se najdat brojnite karakteristiki na sluqaj-
nata promenliva. Za taa cel se izbira del Y od opxtata statis-
tiqka masa X, i nad sluqajnata promenliva Y se vrxat posle-
dovatelni nezavisni obidi, po koi istata prima opredeleni vred-
nosti. Mnoestvoto na dobieni vrednosti na sluqajnata promen-
liva Y pretstavuva prvostepen statistiqki materijal koj e pod-
loen na analiza, obrabotka i osmisluvanje. Obiqno izbraniot
del e
Y ⊂ X.
Ova podmnoestvo se vika primerok ili egzemplar. Mnoes-
tvoto Y e formirano so metod na sluqajno odbiranje, oddeluvajki
od X eden, xto e mono pobroen negov del (za da moat da se za-
pazat i iskaat site bitni osobini na negovata karakteristika).
Brojot na elementite na N na statistiqkata masa X se vika di-
menzija na masata, a brojot na elementite n na primerokot Y ,
podmnoestvoto Y , se vika dimenzija na egzemplarot. Obiqno e
N >> n
Na primer, vo demografijata N se meri so milioni ili de-
setici milioni, a ne od 500 do 10 000.
Na primer pri bioloxki ispituvanja na vodite od ezeroto se
zemaat primeroci postaveni na razliqni dlaboqini, i na razni
164 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
mesta, i site tie primeroci se statistiqki primeroci na vodata.
Se ispituva bakterioloxkiot ili organskiot ili planktonskiot
sostav na toj primerok, i vrz osnova na toa se nosat zakluqoci za
nadenosta na monoto ribno proizvodstvo.
I taka celata statistiqka minuva vo znakot na soodnosot od
dve mnoestva: generalnata masa X i izbraniot egzemplar Y :
Y ⊂ X. Ova dava ton na celata ovaa nauka.
4.4 Nekoi naqini na formiranje na egzemplari
Na koj naqin treba da se odbere podmnoestvoto Y za istoto
da moe da ja pretstavuva celata ogromna statistiqka masa X;
kako ovaa masa X se prouquva samo vrz osnova na osobinite na
odbraniot primerok Y , i kako se procenuva toqnosta na dobi-
enite rezultati - toa se osnovnite praxanja so koi se zanimava
matematiqkata statistika. Od ovie tri praxanja se razvile site
statistiqki metodi.
Bidejki odbiranjeto elementi Y na primerokot Y ⊂ X e sluqaen
nastan, sleduva deka zakluqocite dobieni so ispituvanje na nekoja
statistiqka masa niz metod na primeroci se samo verojatni. Za-
toa potrebata za se poxirokata primena na statistikata vo razni
oblasti na nauqnata i praktiqnata dejnot mnogu vlijaexe vrz raz-
vivanjeto na teorijata na verojatnost i na formiranje na siot
matematiqki aparat na statistikata.
Oqigledno e deka centralno praxanje e uspexeniot izbor na
primerokot, za da moe vrz prouquvanjeto na primerokot da izvle-
qeme dovolno sigurni zakluqoci za karakteristikite na celata
statistiqka masa, ako site qlenovi imaat ednakva verojatnost da
bidat izbrani. Osven toa, primerokot mora da ima i dovolna
dimenzija, t. e. dovolen broj n na elementi.
Primerokot se formira so izbiranje na negovite elementi.
Pri ova ima dve osnovni monosti: generalnata statistiqka masa
da ne se razlouva na delovi, i istata da se ralouva na delovi.
Matematika II (za studenti po biologija) 165
Ako izbiranje se vrxi bez masata prethodno da se razdeluva, a
site elementi se biraat od statistiqkata masa na ist naqin do-
bivame prost primerok. Tuka se moni:
a) Prost primerok bez povtoruvanje;
b) Prost primerok so povtoruvanje.
Ako sekoj izvleqen i razgledan primerok-element se vraka vo
masata X i spored toa moe povtorno da uqestvuva vo formira-
njeto na Y primerokot, se vika prost primerok so povtoruvanje.
Ako ednax izbraniot y ∈ X ne se vraka povtorno vo X tuku os-
tanuva kako y ∈ Y samo ednax, imame rabota so prost primerok
bez povtoruvanje.
Ke razgledame eden od opxto prifatenite naqini na organi-
zacija na formiranjeto na prost primerok.
1) Za sekoj element x ∈ X na generalnata masa se voveduva kar-
tiqka so opredelen reden broj. Vkupno, ima N kartiqki. Site
kartiqki so sovrxeno ist izgled od nadvorexnata strana, se me-
xaat.
2) Sluqajno se vleqe edna kartiqka, i po reguliranjeto na
nezjiniot broj taa se vreka vo masata itn. Vleqenjata se vrxat n
pati. Taka imame primerok Y , edno prodmnoestvo od n elementi.
Ova e primerok so povtoruvanje.
3) Ako sekoe od n−te izvleqeni kartiqki se stava na strana,
takov primerok se vika bez povtoruvanje.
No, ako brojot N na elementite vo X e mnogu golem, ili beskra-
en, togax ovoj metod ne doaga predvid, bidejki ispixuvanjeto na
livqinjata nema nikogax da zavrxi. Zatoa se koristat tabeli na
sluqajni broevi, koi sodrat prirodni broevi podredeni vo nekoj
sluqaen poredok. Ako sakame, na primer, primerok od n = 100
elementi, togax na sreka se otvora ovaa tablica i taka se bira
strana, a od nea po red se prepixuvaat prvite 100 broevi, a potoa
od elementite na X koi se oznaqeni so tie broevi se formira Y ,
ako veke sme oznaqile prethodno dovolen broj qlenovi od X.
No, ne e sekogax neophodno da se primenuva ovaa postapka na
formiranje na primerokot. Na primer, ako se ispituvaat mali
166 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
predmeti (zrna, tabletki i sl.), dovolno e na sreka da se zemat
50-tina zrna (tableti) za da sudime za karakteristikite na odnos
na celata masa. Vo praktika obiqno se koristi primerok bez
povtoruvanje. Pri golemi vrednosti N na generalnata masa i
pri mali vrednosti n na primerokot razlikite vo formulite koi
gi opixuvaat dvata primeroci spored tehnikata na izbiranje se
mali.
Ako pred da se vrxi izbor na primerokot, statistiqkata masa
od nekoi priqini se deli na delovi, togax razlikuvame:
a) tipiqen primerok;
b) mehaniqki primerok;
v) seriski primerok.
Primerokot se vika tipiqen, ako negovite elementi se zemeni
od sekoj tipiqen sostaven del na osnovnata statistiqka masa. Na
primer, ako ispituvame pqenica od poveke parceli so razliqen
kvalitet na zemjixteto, togax zamame ist broj zrna od sekoja
parcela. Ili ako treba da ispitame statistiqki dovolno golem
broj artikli proizvedeni na nekolku maxini od ist tip a ra-
zliqen kvalitet, togax izborot na elementite se vrxi taka xto
se zemaat elementi od produkcijata na sekoja maxina oddelno, a
ne od celata statistiqka masa. Produkcija na sekoja maxina e
eden tipiqen del na taa masa.
Ako statistiqkata masa se razdeli mehaniqki na onolku delovi
kolku elementi treba da bidat vo primerokot, i od sekoj del od
masata proizvolno se bira po eden element, togax taka dobien
primerok se vika mehaniqki. Taka, na primer, za da formirame
primerok od 2% elementi na celata produkcija, so oddeluvanje na
sekoj pedesetti element se dobiva mehaniqki primerok.
Ako od site delovi na dadenata statistiqka masa se zeme po
edna serija elementi, i od site tie serii se formira egzemplar,
takov egzemplar se vika seriski. Na primer, ako nekoj artikl
se prizveduva vo edna fabrika na poveke maxini od ist tip i
priblien kvalitet, togax site primeroci proizvedeni na site
maxini za opredeleno vreme (prv raboten qas vo ist den) formi-
Matematika II (za studenti po biologija) 167
raat seriski primerok. Seriski primeroci se biraat od statis-
tiqkata masa obiqno ako razlikite vo varijantite na karakteris-
tikite koi se ispituvaat vo razni serii se zanemarlivo mali.
Vo praktikata qestopati primerokot na statistiqkata masa se
formira so kombiniranjeto na dva ili poveke prethodno opixani
naqini. Na primer, ponekogax statistiqkata masa se razdeluva
na poveke delovi so ista dimenzija, i od tie delovi so prosto
sluqajno odbiranje se zemaaat nekolku serii, od ovie serii pro-
izvolno se biraat poedini elementi na egzemplarot.
4.5 Biometrija - statistika na biotehniqkite nauki
Prvata zadaqa na biometrijata e voveduvanje na matematiqkite
merni metodi vo biologijata, i matematiqkoto formuliranje na
bioloxkite zakonitosti. Toa e mono bidejki pojavite vo bi-
ologijata se masovni. Zatoa, sekade kade xto vo biologijata ima
merenje, ima i statistika. Statistikata primeneta vo biologi-
jata opxto, i vo site nejzini granki- biotehniqkite nauki, se vika
biometrija.
Samoto ime biometrija znaqi: merenje na ivata materija, i
ima samo tradicionalno-istorisko znaqenje. Denes biometrijata
ne e samo merenje, tuku e mnogu poveke od toa. Sliqno kako xto i
geometrijata denes ne e merenje i premeruvanje na zemjata, tuku e
edna nauka so univerzalno znaqenje i mnogu primeni vo site nauki,
taka i biometrijata gi nadmina svoite poqetni zadaqi. biometri-
jata ne e samo nauka koja konstatira i registrira i meri nekoi
sostojbi, toa ne e samo statistika vo onaa najstatiqna smisla
samo da sobira podatoci, taa ne e nauka post festum, tuku taa
ima mnogu poxiroko znaqenje, vrz osnova na statistiqkite zakoni
da predviduva bioloxki nastani.
Biometrijata ne e samo prosta registratorka na bioloxkite
fakti, isto kako xto biologijata ne znaqi inventarisuvanje na
prirodata, tuku e orudie za analiza na ivite pojavi, so cel
168 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
istite da sluat na opxtoto dobro na qovextvoto. Biologi-
jata e samo vo svojot pomal del zapisniqka, registratorka i sis-
tematizatorka na iviot svet, a nejziniot pogolem del slui
na posloenata cel - odruvanje i podobruvanje na site mani-
festacii na ivotot kako najgolema vrednost na Vselenata.
Biologijata zapoqnuva so sistematikite, i toa e prv nejzin
neophoden materijal koj slui kako materijalna osnova za nej-
zinite povisoki delovi: genetikata, evolucijata, biohemijata,
fiziologijata, itn., vrz osnova na koi denes se razvieni mnogute
specijalni disciplini koi neposredno pomagaat vo mnogute podo-
bruvanja na ivotot. Da ja spomneme samo selekcijata, genetskiot
inenering, kosmiqkata biologija i medicinata, itn. Paralelno
so toa i potpolno analogno na toa, i biometrijata zapoqnuva
so sobiranje na numeriqkiot materijal od bioloxkiot eksperi-
ment, koj slui kako osnova za primenite na nejzinite statistiqki
metodi. A krajna cel na biometrijata e da dade matematiqka prog-
noza za iviot nastan, da modelira, prvo matematiqki, a potoa
neposredno i efektivno, nekoj bioloxki proces, da pomogne vo
sovladuvanjeto na tajnite na ivotot, da izvrxi nekoe soodvetno
podobruvanje na ivotniot proces. Na primer, biometrijata in-
tervenira vo analizata i selekcijata na lekovitite rastenija, po-
toa pomaga vo nivnata prefabrikacija vo lekovi, i na kraj preku
medicinskata statistika pomaga vo konstatiranjeto na nivnata
efikasnost. Ili, na primer, site podobruvanja na kvalitetot na
pqenkata (i drugi prinosi) se vrz osnova na tipiqni biometrisko-
statistiqki metodi. Vo svetlinata na ova, biometrijata ima
osnovna i univerzalna uloga na site bioloxki, biotehniqki i
biomedicinski nauki.
Matematika II (za studenti po biologija) 169
4.6 Biometriski podatoci, osnoven tretman
Biometrijata moe da dojde do izraz samo ako ima brojni poda-
toci od nekoe merenje, nekoj eksperiment. Osnova na biometrijata
e nekoja generalna statistiqka masa, od koja se sobira eden pri-
merok.
Primer 1. Neka statistiqka masa bidat site lisja od nekoe
drvo. Za nekoi rastitelno-fizioloxki istrauvanja ni trebaat
podatoci za dimenziite na listovite. Izbirame eden statistiqki
primerok od granki na razna visina. Merni objekti se edna serija
razni listovi.
Primer 2. Se prouquva prinosot na perkijata (kostrexot) od
Dojranskoto Ezero. Generalna statistiqka masa se site perkii na
Ezeroto. Lovime so mrea opredelen broj pati, go razdeluvame
ulovot spored vozrasnata struktura. Sluqajno odbrani ribi vaka
formiraat godixen odbran primerok. Se meri nivnata dolina
za da se sporedi ednogodixnoto rastenje.
Primer 3. Merime fosilni koski od nekoe paleontoloxko
naogalixte. Poznato e deka od edna koska moe da se izvrxi
170 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
rekonstrukcija na celoto ivotno. Najdeni se golem broj koski
(os femur). Nivnata dolina e predmet na biometrisko istrau-
vanje. Imame eden sluqaen primerok sostaven od dolini.
Primer 4. Se opredeluva zgolemuvanje na masata kaj labora-
toriski ivotni (gluvci). Pred poqetok na eksperimentot iv-
otnite se na ista vozrast od 8 nedeli i se biraat edinki od ra-
zliqni legla. Po administracija na visoko-masna hrana, koja e
so vremetraenje od 18 nedeli se zabeleuva porastot na masata na
ivotnite.
m (g) пред
третман
m (g) по
третман
34,404 51,730
29,854 49,673
39,333 60,232
37,518 54,784
34,725 57,901
39,647 63,146
28,985 53,587
33,812 49,116
Zaokruuvanje na dve decimali:
Matematika II (za studenti po biologija) 171
m (g) пред
третман
m (g) по
третман
34,40 51,73
29,85 49,67
39,33 60,23
37,52 54,78
34,73 57,90
39,65 63,15
28,99 53,59
33,81 49,12
Opredeluvanje na brojnosta i dimenzijata na eksperimentot:
xmin = 49, 12g
xmax = 63, 15g
Se presmetuva varijabilata:
∆x = xmax − xmin = 63, 15 − 49, 12 = 14, 03
Podreduvanje po golemina:
m (g) пред
третман
m (g) по
третман
28,99 49,12
29,85 49,67
33,81 51,73
34,4 53,59
34,73 54,78
37,52 57,9
39,33 60,23
39,65 63,15
Opredeluvanje na klasi:
Класа 49-53 54-58 59-63
Бројност 3 3 2
Ako N e brojot na ivotni, a n e brojot na klasi imame xi-
roqina na sekoja klasa xk da e:
qekor= ∆xk = xmin−xmax
n= ∆x
n.
172 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Primer 5. Se opredeluva namaluvanje na apsorbancata po
serisko razreduvanje na standard na vitamin C (askorbinska kise-
lina). Vo tabelata se dadeni vrednostite za koncetracijata i
apsorbancata za razliqnite razreduvanja.
AA (200 µg/mL) Abs
200,00 1,0699
183,33 0,9318
166,67 0,8363
150,00 0,7285
133,33 0,6205
116,69 0,5296
100,00 0,4183
83,33 0,2858
66,67 0,1908
50,00 0,1200
33,33 0,0571
Se presmetuva sredna vrednost za apsorbancite i koncentraci-
ite, se zaokruuvaat rezultatite soodvetno i se izgotvuva grafik
za da se pokae linearnata zavisnost na koncentracijata vs. ap-
sorbancata.
Kakvo i da e merenjeto, direktno ili indirektno, negoviot
rezultat e edna prosta statistiqka niza, dadena vo vid na niza od
realni broevi, koja matematiqki go opixuva statistiqkiot pri-
merok:
x1, x2, x3, . . . , xn.
Po zavrxuvanjeto na laboratoriskata rabota, potrebno e da
izvrxime nekolku prethodni operacii so dobieniot numeriqki
materijal.
I-va operacija. Zaokruuvanje na decimalite.
Vo zavisnost od mernata tehnika i od stepenot na neposred-
nosta na merenjeto, dobienite rezultati ne se site so ista toqnost
Matematika II (za studenti po biologija) 173
i so ist broj decimali. Potrebno e numeriqkiot materijal da se
unificira.
Na primer, dobieni se slednite vrednosti:
5, 29986; 5, 1241; 5, 12; 5, 3894; ...
Niv gi zaokruuvame na dve decimali, bidejki se tolkavi po-
trebite na toqnosta na eksperimentot, po princip na naizmeniqno
ponixtuvanje na grexkata, t. e. ednax zemame pogolema prib-
lina vrednost, a vednax potoa pomala priblina vrednost.
Zaokruuvame:
5, 30+; 5, 12−; 5, 12; 5, 39+, ..........
Za zaokruuvanjeto se koristi najbliskata pogolema ili po-
mala vrednost, vovedeni kako aproksimacii po nedostig ili po
dodatok ([2]). Dobivame taka mnoestvo od podatoci ili niza
eksperimentalni podatoci ili set
x1, x2, x3, . . . , xN ,
kade xto rezultatite se zapixuvaat po onoj redosled po koj se
mereni. Ili simboliqki
xN.
II-ra operacija. Opredeluvanje na brojnosta i dimenzijata
na eksperimentot.
Megu elementite xk ima eden najgolem
xmax
i eden najmal
xmin.
Razlikata
174 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
xmax − xmin = ∆x
se vika interval na promena na podatocite (varijabilata) ili
dimenzija.
Brojot na site podatoci N se vika brojnost, ili brojnost na
nizata, ili brojnost na primerokot.
III-ta operacija. Podreduvanje po golemina.
Mnogu qesto e potrebno rezultatite na merenjeto da bidat po-
dredeni po golemina, zaradi podelba na podmnoestva - klasi,
podgrupi so sliqni osobini, biometriski presmetki i tabeli.
Rezultatite dobieni vo eksperimentalnata niza
x1, x2, x3, . . . , xn
se podreduvaat po golemina, taka xto xmin e prv, a xmax e posle-
den. Vaka podredeni po golemina rezultatite sega moeme da gi
prenumerirame (preoznaqime) po rasteqki redosled na indeksite,
t.e.
y1 = xmin, y2, y3, y4, ..., yN = xmax.
Ovaa operacija se vika prenumeracija, ili preindeksacija.
Prednosta i e vo toa xto pomali po golemina elementi imaat
pomal indeks, a pogolemite - povisoko mesto vo ova brojna hie-
rarhija.
IV-ta operacija. Opredeluvanje na klasi.
Pri nizata podredena po golemina, mnogu qesto moat so obiq-
no razgleduvanje da se vooqat nekoi grupiranja na goleminite
h, i toa mnogu qesto vo pravilni ednakvi intervali. Taka se
zabeleuva deka rezultatite
xmin, y2, y3, ..., yk
se bliski megu sebe i se naogaat vo intervalot [y1, yk] koj e nekoj
del od [xmin, xmax].
Matematika II (za studenti po biologija) 175
yk+1, yk+2, ..., yl se bliski megu sebe i se vo intervalot [yk+1, yl] so
ista dolina kako i prviot, itn. Taka ja dobivame situacijata
kako na slikata podolu
Prvoto podmnoestvo [y1, yk] se vika I klasa, vtoroto [yk+1, yl]
vtora klasa, itn., pa celiot primerok e podelen na klasi. Poelno
e klasite da bidat site so ista dolina (i so razliqna brojnost).
Ako e N brojnosta na populacijata, a n e brojot na klasite,
togax xiroqinata (dimenzijata) na sekoja klasa xk e
qekor = ∆xk = xmax−xmin
n= ∆x
n
a nejzinata brojna vrednost iznesuva nk, pri xto vai
N =n∑
k=1
nk,
kade nk e brojot na elementi od primerokot koi se naogaat vo
k−tata klasa.
Primer. Vrxeni se merenja na visinata na 150 studenti.
Rezultatite se zapixani vo tabelata, onaka kako se dobieni. Da
se podredat po golemina, da se opredeli xmin, xmax, N, ∆x. Da se
predloi edna podelba na klasi so qekor ∆x1 = 2, ili 3, ili 5.
Da se opredeli koj broj na klasi n e najdobar, da se opredeli
brojnosta na sekoja klasa. Koja klasa ke bide najbrojna?
168 169 156 171 175 159 167 170 156 157 168 164 164 172 171 174
176 173 171 163 169 155 174 176 160 172 172 163 187 172 161 176
164 166 168 162 172 175 156 165 164 167 177 183 163 172 173 181
163 166 171 163 166 178 169 167 172 171 175 171 179 186 165 164
163 173 173 177 156 173 160 176 171 169 163 163 163 163 169 164
164 170 176 163 179 176 169 159 163 179 178 183 169 169 166 167
173 170 170 169 164 177 173 166 162 190 160 165 156 157 174 168
176 173 168 164 164 172 170 164 173 165 173 184 163 179 161 162
176 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
158 171 177 166 171 175 174 170 174 169 161 170 174 164 170 182
174 167 173 171 164 178
4.7 Frekvencija. Statistiqka raspredelba
na frekvenciite
Vo posledniot primer zabeleuvame deka mnogu od merenite
visini se povtoruvaat. Taka visinata od 166 sm se javuva 5 pati,
a uxte poveke se povtoruvaat visinite od 170, 172, 174 sm itn.
Vsuxnost, strogo gledano, niedna od visinite ne se povtoruva,
bidejki visinite se zaokruuvani i taka se napraveni isti. Na
primer, visinata od 166 sm znaqi vo nea da se staveni site visini
od 165, 5 sm do 166, 5 sm. Obiqno tehnikata na merenjeto ne pri-
nuduva na vakvi kompromisi i zaokruuvanja.
Taka, vo opxt sluqaj imame situacija:
Vrednosta x1 se javuva f1 pati
Vrednosta x2 se javuva f2 pati...
Vrednosta xn se javuva fn pati.
Broevite fk se vikaat frekvencii (zaqestenosti) na soodvet-
nite karakteristiki xk ili uxte apsolutni frekvencii (za raz-
lika od relativnite frekvencii), i igraat vana uloga vo biome-
trijata, odnosno vo celata Statistika. Tabelata
dava statistiqka raspredelba na karakteristikata Q.
Megu ovie broevi fk ima eden najgolem broj, max fk = F , pri
xto F e frekvencija na nekoj xk, t.e. xk se javuva
Matematika II (za studenti po biologija) 177
F = najgolem broj pati= max fk,
a pritoa, ima i eden najmal f = min fk.
Ako e N brojnosta na site xk, togax e oqigledno deka vai
N = f1 + f2 + ... + fn =n∑
i=1
fi
t. e. brojnosta e zbir od frekvenciite.
Zboruvajki vo glavata Verojatnost za statistiqkata verojat-
nost (a posteriori), nie naglasivme deka verojatnosta na sretnu-
vanjeto so nekoja karakteristika xi e dotolku pogolema, dokolku e
pogolema brojnosta na celata populacija.
Statistiqka verojatnost karakteristikata xi da se javi vo edno
mnoestvo od N elementi iznesuva
P (xi) =fi
N
ili
P (xi) =fi
f1 + f2 +... + fn
.
Vo opxt sluqaj, ako brojot na eksperimentite e dovolno golem,
so drugi zborovi ako dimenziite na egzempilarot se dovolno go-
lemi, togax, kako xto porano e pokaano, relativnata frekven-
cija na nekoja varijanta xk na sluqajnata promenliva X malku se
razlikuva od verojatnosta xk da se javi nk pati vo N eksperimenti;
taka xto relativnata frekvencija moe da se zeme kako priblina
vrednost na verojatnosta. So toa se opravduva imeto statistiqka
ili empirska verojatnost za relativnata frekvencija.
Znaqi terminite verojatnost (a posteriori), statistiqka vero-
jatnost, i relativna frekvencija se identiqni. Taka, sekoja od
karakteristikite
x1, x2, x3, ..., xn
se javuva so svojata relativna frekvencija
178 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
f1
N,
f2
N,
f3
N, . . . ,
fn
N
koja se izednaquva so verojatnosta na nejzinata pojava vo ekspe-
rimentot
P (x1) , P (x2) , P (x3) , . . . , P (xn) .
Togax najgolemata verojatnost iznesuva
Pmax =F
N< 1
i najmalata verojatnost iznesuva
Pmin =f
N≥ 0.
Ako karakteristikata xn se javuva samo ednax, togax nejzinata
verojatnost iznesuva
Pn =1
N.
Od strukturata na formulata za P (xk) gledame deka site re-
lativni frekvencii se takvi xto
0 ≤ P (xk) < 1.
So vovedeniot termin na statistiqkata verojatnost moeme
sega da formirame so pomox na istite podatoci uxte edna tabela
koja se vika statistiqka raspredelba na verojatnostite.
Primer 1. Od nekoja statistiqka masa so obeleje X e zemen
eden egzemplar od N = 21 elementi, pri xto brojot fi na javuva-
njata na sekoj element xk e daden vo tabelata
Matematika II (za studenti po biologija) 179
Gi naogame relativnite frekvencii po formulata, t.e.
N =∑
fi = 21
P1 = 121
, P2 = 221
, P3 = 521
, P4 = 421
, P5 = 621
, P6 = 321
i taka ja konstruirame i vtorata tabela
Primer 2. Prouquvajki ja brzinata na molekulite vo 1cm3
od nekoj gas, fiziqarot Maksvel ja otkril statistiqkata raspre-
delba na brzinite na ovie molekuli, t. e. statistiqkata raspre-
delba na eden egzemplar zemen od masata molekuli sodrani vo
1cm3:
Bidejki vo ovoj sluqaj stanuva zbor za golem broj molekuli, to-
gax vrz osnova na zakonot na golemite broevi relativnata frekven-
cija na brzinite xk moe da se zeme kako verojatnost vo N real-
izacii na eksperimentot brzinata na molekulot da ima nk pati
vrednost xk.
180 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
4.8 Grafici na raspredelba
4.8.1 Empiriska funkcija na raspredelba
Konstatirame deka sekoja vrednost xk na karakteristikata e
pridruena so svojata apsolutna frekvencija fk. Taka imame n
dvojki podredeni vrednosti:
(x1, f1), (x2, f2), ... , (xn, fn) .
Ako ovie dvojki gi pretstavime kako toqki vo Dekartov pravoa-
golen koordinaten sistem, dobivame edna koneqna niza od n od-
delni (diskretni) toqki, koja formira eden vid grafik na ovaa
statistiqka pojava. Ovoj grafik se vika punktuelen grafik (ili
grafik toqka po toqka) na raspredelbata na frekvenciite.
Obiqno ovie toqki se povrzuvaat so otseqkite Mk−1 Mk i taka
ja dobivame poligonalnata linija
M1 M2 M3 ... Mn−1 Mn,
koja se vika poligonalen grafik na raspredelbata na frekvenci-
ite.
Ako pak na sekoja vrednost na karakteristikata xk i ja pridru-
ime nejzinata relativna frekvencija P (xk), t. e. ako sekoja
frekvencija f ja podelime so N , dobivame serija od novi toqki(
x1,f1
N
)
,(
x2,f2
N
)
,(
x3,f3
N
)
, ...,(
xn,fn
N
)
Matematika II (za studenti po biologija) 181
koi formiraat nov grafik, sliqen na prviot.
Ovoj grafik se vika punktuelen grafik na statistiqkata raspre-
delba na frekvenciite. Toqkite so koordinati
Mk (xk, Pk) = Mk
(
xk,fk
N
)
se povrzuvaat so otseqki M∗kM∗
k+1, i taka se dobiva analogna polig-
onalna linija
M∗1 M∗
2 M∗3 , ..., M∗
n−1M∗n
koja se vika poligonalen grafik (ili kratko poligon) na statis-
tiqkata raspredelba na frekvenciite. Povrzuvanjeto na ovie to-
qki se vrxi spored poznatata vo matematikata konvencija, vred-
nosta na neprekinatata funkcija megu dve bliski vrednosti, da ne
se oddalequva mnogu od pravata koja gi povrzuva bliskite vred-
nosti (linearna interpolacija).
Pri poligonalen grafik vana uloga igra i ploxtinata P (x)
na poligonot od poqetnata vrednost na karakteristikata do nekoja
vrednost x. Taa ploxtina moe da se presmeta so elementarni
geometriski metodi i formuli za povrxina na trapez.
182 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
So pomox na statistiqkata raspredelba na karakteristikata
X moeme da konstruirame takanareqena empiriska (ili stati-
stiqka) funkcija na raspredelba, koja na sekoja vrednost xk na
promenlivata X i korespondira soodvetna empiriski utvrdena
vrednost Pk na relativnata frekvencija. Neka dimenzijata na
egzemplarot bide N .
Ako vo nekoi N eksperimenti
vrednosta na promenlivata X pomala od x1 se javuva n1 pati
vrednosta na promenlivata X pomala od x2 se javuva n2 pati
i opxto
vrednosta na promenlivata X pomala od xs se javuva ns pati
togax relativnata frekvencija F ∗(x) na nastapuvanjeto na onaa
vrednost na promenlivata X koja e pomala od x glasi
F ∗(x) =ns
N
i ovaa funkcija e empiriska funkcija na raspredelbata.
Primer. Neka statistiqkata raspredelba na nekoja promen-
liva X e dadena so slednava tabela
Dimenzijata na egzemplarot iznesuva N = 12 + 16 + 32 = 60 i
xmin = 1, xmax = 9. Bidejki nema nitu edno x pomalo od 1, vai
F ∗(1) = 0.
Vrednosta X < 5 se javuva 12 pati, pa
F ∗(5) =12
60= 0, 2.
Vrednosta X < 9 se javuva 12 + 16 = 28 pati, pa
F ∗(9) =28
60≈ 0, 47.
Matematika II (za studenti po biologija) 183
Vrednosta X < 10 se javuva 12 + 16 + 32 = 60 pati, pa
F ∗(10) =60
60= 1.
So drugi zborovi, definirame edna prekinata funkcija so ana-
litiqki izraz
F ∗(x) =
0, x < 1
0, 2, 1 ≤ x < 5
0, 47, 5 ≤ x < 9
1, 9 ≤ x
Grafikot na ovaa funkcija e daden na sledniov crte.
Konstatirame deka grafikot na funkcijata F ∗(x) e prekinata
stepenesta linija so koneqni skokovi vo sekoja toqka xk, kade
funkcijata skoka za Pk = nk
N. Ako toqkite od grafikot so apscisi
xk gi spoime so poligonalna linija dobivame priblien grafik
na empiriskata funkcija na raspredelbata.
Podocna ke dokaeme deka postoi toqen analitiqki izraz za
sekoja empiriska funkcija na opredeleni najvani raspredelbi i
posebno za takanareqenata Gausova kriva. I ovde od golem in-
teres e povrxinata zagradena so krivata i delot od x-oskata do
nekoja vrednost na karakteristikata x, t.e. integralot od funkci-
jata f(x).
184 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
4.9 Statistiqki nizi. Histogram
Ako brojot na eksperimentite e mnogu golem, na primer poveke
stotici eksperimenti, i ako nema mnogu bukvalni povtoruvanja,
t.e. nema mnogu identiqnosti vo merenjeto xj = xk, j 6= k, tuku
ima samo bliski rezultati xj ≈ xk ≈ xm, xto e obiqno sluqaj,
togax formiranjeto na site dvojki vrednosti (xj, fj) ne samo xto
e dolgotrajno, nepraktiqno i odzema poveke vreme otkolku site
podgotovki i merenja, tuku i ne pridonesuva mnogu kon kvalitetot
na statistiqkata obrabotka na problemot, bidejki od ovaa tabela
ne moeme neposredno da zabeleime kako se menuvaat varijantite
xj na ovaa karakteristika X i nivnite relativni frekvencii.
Za dobivanje podobra preglednost i za poefikasna obrabotka,
vo takvite sluqai celiot interval [xmin, xmax] vo koj se naogaat
vrednostite x1, x2, . . . , xN na sluqajnata promenliva X se deli na
klasi (podintervali) taka xto sekoja klasa da sodri dovolno
bliski vrednosti xk.
Neka prvata klasa sodri f1 razliqni no bliski vrednosti
xk. Od niv ke izbereme eden konkreten element x1 (na primer so
metod na sredina) i so nego ke gi zamenime site bliski xk. Taka
imame situacija x1 da e pretstavnik na cela klasa. Togax imame
eden element x1 so edna frekvencija f1 (t.e. frekvencija na celata
klasa). Ako ova go napravime vo site n sogledani klasi, imame n
intervali
I II III ... n
[xmin, xk] , [xk, xl] , [xl, xm] , ... [xp, xn]
Matematika II (za studenti po biologija) 185
so po eden pretstavnik
x1, x2, x3, ... xn
i so po edna frekvencija
f1, f2, f3, ... fn
(ovde imame graniqni elementi xk, xj, ... megu dvete klasi, i za da
bide toqno opredeleno vo koja od klasite pripagaat, go postavu-
vame sledniov dogovor: za sosednite elementi xk−1, xk, xk+1, ako
rastojanieto xk − xk−1 e pomalo od rastojanieto xk+1 − xk, xk go
stavame vo klasata I, a vo sprotivno vo klasata II).
Ovie frekvencii fi se apsolutni frekvencii na sekoja od kla-
site. Ako gi presmetame relativnite frekvencii
Pk = P (xk) =fk
N
za niv vai, kako xto veke rekovme, deka pri golem broj eksperi-
menti tie se izednaquvaat so verojatnostite na pojavata na ele-
mentot xk so dadenata frekvencija fi. Bidejki
f1 + f2 + · · · + fn = N
toa e zbirot na site verojatnosti po intervalite
P1 + P2 + ... + Pn =f1 + f1 + ... + fn
N= 1.
Ako ∆xim e dolina na i−tiot interval [xi, xm], t.e.
∆xim = xm − xi = ∆xi
togax odnosot
δim = δi =Pi
∆xi=
fi
N · ∆xi,
kojxto e relativna frekvencija presmetana na edinica dolina,
186 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
se vika gustina na relativnata frekvencija fi.
Ako formirame tabela so site klasi na dadeniot osnoven in-
terval [xmin, xmax], nivnite pretstavnici i nivnite frekvencii,
imame
Ovaa tabela se vika statistiqka niza (ili serija).
Gustinata na relativnata frekvencija geometriski se pretsta-
vuva so figura koja se vika histogram na relativnata frekven-
cija. Toj se sostoi od niza pravoagolnici so osnova ednakva na
xirinata ∆xi na klasata [xi, xm] i visina ednakva na gustinata δi
na relativnata frekvencija Pi.
Ploxtinata na sekoj od pravoagolnicite xto go sostavuvaat
histogramot iznesuva
pi = δi∆xi =Pi
∆xi
∆xi = Pi, i = 1, 2, ..., n
a ploxtinata na celiot histogram iznesuva
P =
n∑
i=1
pi = P1 + P2 + ... + Pn = 1
Matematika II (za studenti po biologija) 187
t.e. ploxtinata na histogramot na gustinata na relativnata frek-
vencija e ednakva na eden.
Ako dolinite na site podintervali se ednakvi megu sebe, t.e.
ako
∆xim = ∆xi = l =xmax − xmin
n
togax visinite δi na pravoagolnicite se proporcionalni so sood-
vetnite relativni frekvancii
δi =Pi
∆xi
=n
N (xmax − xmin)fi.
Poradi ova mnogu praktiqno svojstvo, duri i bez ogled na
bliskosta na soodvetnite xk intervalot [xmin, xmax] qesto go delime
na ednakvi podintervali. Qestopati se zemaat ovie intervali da
imaat xiroqina 1, t. e qekorot e ∆xi = 1. Visinite se togax
proporcionalni so relativnite frekvencii. I vo ovoj sluqaj do-
bivame figura koja e geometriska slika na statistiqka niza, i
koja se vika histogram.
Ako brojot na eksperimentite e mnogu golem, se zemaat potesni
klasi. Zatoa stepenesta figura na histogramot se poveke i poveke
se dobliuva kon nekoja kriva L, koja zaedno so poqetnata i kraj-
nata ordinata i del od x-oskata megu krajnite toqki formira
edna povrxina, koja za histogramot na gustinata na relativnata
frekvencija ima vrednost 1.
188 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
4.10 Sredini
4.10.1 Potreba za voveduvanje sredini
Vo biotehniqkite nauki ima dva osnovni metodoloxki prob-
lemi. Toa se problemot na identifikacija i problemot na mere-
njeto. Za nivnoto rexavanje postojat dva naqini: razgleduvanje i
eksperiment. Dodeka razgleduvanjeto e osnoven biotehniqki metod
vo site granki na bioloxkite i prirodnite nauki, bioloxkiot
eksperiment e pospecifiqen. Sekoj biotehniqki eksperiment e
pred se metriqki, t. e. najqesti biotehniqki eksperimenti se
onie vo koi nexto se meri, se opredeluva kvantitivno.
Pritoa goleminite koi se merat se najqesto sluqajni t. e.
tie se posledica na dejstvuvanje na golem broj raznorodni vli-
janija. Zatoa merenjata na ista golemina, vo ista merna toqka,
no vo razliqno vreme, vo sekoj povtoruvan obid davaat razliqni
rezultati.
Primer 1. Telesnata temperatura e varijabilna na edno isto
mesto na teloto i zavisi od bioloxkiot vid, metabolizmot, tele-
snoto napreganje, emocionalnata sostojba, nadvorexnata tempe-
ratura, itn. Ako se meri temperaturata vo delot od teloto na
nekoe eksperimentalno ivotno, kade taa e najstabilna, sepak vo
tekot na denot i taa pokauva nekoi oscilacii. Razni merenja
pokauvaat razni vrednosti. Eve nekolku merenja vo interval od
1 qas
36, 7C ; 36, 9C ; 36, 0C ; 35, 9C ; 36, 4C ; 36, 6C ; 36, 4C ; 36, 8C
Se praxuvame koja temperatura e karakteristiqna za toa i-
votno na toa mesto niz celiot den? Toa e srednata temperatura.
Toa e zbirot na site temperaturi podelen so brojot na merenjata
t = t =t1 + t2 + t3 + t4 + t5 + t6 + t7 + t8
8=
8∑
i=1
ti
8=
291, 70
8= 36, 48C.
Matematika II (za studenti po biologija) 189
Primer 2. Za identifikacija na ivotno se koristat karak-
teristiqni koski za procenka na goleminata i teinata na ivot-
nite. Obiqno goleminata se opredeluva spored najgolemite koski.
Taka, vo edna grupa fosili najdeni se izvesen broj butni koski-
femori, od edna grupa ivotni od ist vid. Tie imaat razliqna
dolina-rezultat na vozrasta na edinkite, nivnata uhranetost,
polot. Nie obiqno formirame pretstava za edna sredna edinka, so
metod na rekonstrukcija. So merenje gi naogame slednite dolini
na femorite:
l1 = 58cm, l2 = 62cm, l3 = 73cm, l4 = 81cm, l5 = 59cm, l6 = 67cm.
Taka sredniot femor ima dolina
l = l = l1+l2+l3+l4+l5+l66
=
6P
i=1li
6= 400
6= 66, 6cm
i od ovaa sredna vrednost zakluquvame za goleminata i teinata
na proseqnata edinka od ovoj izoliran vid.
Vo rabotata i praktikata retki se goleminite koi se neizmen-
livi. Postojat i nepromenlivi golemini koi se obiqno od mrtva
priroda. A dodeka imame rabota so iva materija, xto e osnovno
vo biotehniqkite nauki, morame da smetame so postojana izmen-
livost, bidejki dinamikata na ivotnite procesi nosi postojani
promeni, niz koi vsuxnost se odviva ivotot. Bidejki karakte-
ristikata H vo biotehniqkite nauki e promenliva, ne e mono so
edno merenje da se konstatira nejziniot kvalitet, bidejki veke vo
sledniot moment taa ista golemina pri novo merenje ke dade druga
vrednost, poradi mnogute sluqajni vlijanija. Zatoa se neophodni
poveke merenja (vo tekot na denot, godinata, ako fluktuira, itn.).
Taka obiqno se sobiraat masa podatoci za edna ista sluqajna
promenliva. Bidejki operiranjeto so masa podatoci e texko, neko-
gax neopredeleno, se postavuva praxanjeto za proseqna vrednost.
Za sluqajnite promenlivi se bara pretstavnik (reprezent), t. e.
element koj najdobro ke ja pretstavuva promenlivata veliqina, i
za koja ke bideme sigurni deka nema mnogu da otstapuva od sluqaj-
nata vrednost na vrednosta x vo toj moment.
190 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Taka se doaga do potrebata za sredina, sredna vrednost, prosek.
4.10.2 Aritmetiqka sredina. Prosek
Primer. Vo mnoestvoto edinki izbroeni se starosti na 5
edinki:18, 19, 21, 23, 20 godini. Proseqnata starost e
18 + 19 + 21 + 23 + 20
5=
101
5= 20, 2.
Ova se vika aritmetiqka sredina.
Ovoj poim e moen i pri najmal broj merenja. Ako imame dve
merenja na promenlivata x, qii mereni vrednosti se najdeni i se
x1 i x2, srednata vrednost e
Geometriski xs e srednata toqka na otseqkata qii krajni toqki
se x1 i x2.
Ako imame tri merenja: x1, x2, x3, togax srednata vrednost na
merenjeto se opredeluva kako
Definicija. Ako imame razni vrednosti na nekoja karakte-
ristika X
x1, x2, x3, x4, ..., xn
nivna sredna vrednost e brojot
x = xs =x1 + x2 + x3 + .... + xn
n
ili
Matematika II (za studenti po biologija) 191
x = xs =
n∑
i=1
xi
n=
∑xi
n.
Aritmetiqkata sredina e eden mnogu vaen poim bidejki celo
edno mnoestvo karakteristiki xi na cela sluqajna promenliva
H se zamenuva so eden pretstavnik x. Na slikata
mnoestvata
x1, x2, x1, x2, x3, ...., x1, x2, x3, ..., xN
se zameneti so eden broj xi. Vo prviot sluqaj toa e toqno sredix-
nata toqka na otseqkata x1x2. Vo vtoriot toa e toqka megu krajnite
toqki x1, x3, no so otklon i streme kon pogolemite x2, x3. Vo op-
xt sluqaj x se naoga vnatre vo masata na broevite xk, no e retko
vo samata sredina na otseqkata, tuku e povleqena kon pogolemite
vrednosti.
4.10.3 Momenti. Masa na eksperimentot.
Opxta formula za aritmetqkata sredina
Mnoestvoto mereni vrednosti xk, e retko, sluqajno i nepra-
vilno vo biotehniqkite nauki. Obiqno pri merenjata se sluquva
edno prirodno grupiranje na rezultatite. Retko rezultatite se
striktno oddeleni, t.e. obiqno se grupirani vo klasi so mnogu
bliski vrednosti.
Primer 1. Sobrani se izvesen broj edinki-crvi, so cel da se
meri nivnata teina. Najdeno e deka
7 edinki imaat teina od 5 grama
16 edinki imaat teina od 4 grama
13 edinki imaat teina od 3 grama
5 edinki imaat teina od 2 grama
192 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
6 edinki imaat teina od 1 gram
Se postavuva praxanjeto, kolkava e togax nivnata proseqna
teina? Vkupno edinki ima 7+16+13+5+6 = 47. Tie formiraat 5
grupacii po teini i sekoja grupacija na svoj naqin pridonesuva
kon opxtata teina:
I grupacija ; 7 · 5 = 35 grama
II grupacija ; 16 · 4 = 64 gramovi
III grupacija ; 13 · 3 = 39 grama
IV grupacija ; 5 · 2 = 10 grama
V grupacija ; 6 · 1 = 6 grama
Najmalku pridonesuva vo opxtata teina poslednata, pettata
grupacija samo so 6 grama, a najmnogu vtorata grupacija, so 64
grama. Onoj pridones zavisi kako od vrednosta (goleminata) na
karakteristikata xl, taka i od soodvetnata frekvencija fl, znaqi
zavisi od nezavisni golemini.
Definicija. Proizvod od karakteristikata xl i soodvetnata
frekvencija fl se vika moment, i se belei so
ml = xl · fl
Ako x1 se javuva f1 pati, momentot iznesuva m1 = x1f1
Ako x2 se javuva f2 pati, momentot iznesuva m2 = x2f2
.
.
.
Ako xk se javuva fk pati, momentot iznesuva mk = xkfk.
Definicija. Zbirot od momentite
m1 + m2 + m3 + . . . + mk =
=k∑
1
mk = f1x1 + f2x2 + f3x3 + . . . + fkxk = G
Matematika II (za studenti po biologija) 193
se vika vkupna masa na eksperimentot, i toj go pokauva kvan-
titativniot obem na eksperimentot.
Ako se xl teini, G e vkupna teina, ako se xl troxoci, G e
vkupniot troxok. Se razbira deka G e mnogu vaen poim. Toa e
vkupnata masa od ona xto rabotime. Momentot ml = xlfl e del od
G i pokauva kolku sekoj del karakteristikata xl uqestvuva vo
vkupnata masa. Brojot
N = f1 + f2 + . . . + fk =k∑
t=1
ft
se vika masa na edinkite, i ja pokauva brojnosta na mnoestvoto
edinki, bez ogled na nivnite karakteristiki. Taka imame dve
masi vo sekoj eksperiment: G i N .
Vo gorniot primer e G = 154g i toa e vkupnata teina na site
crvi. Nivniot broj e N = 47. Ako sakame da ja dobieme proseqnata
teina na crv, togax
xsr = x =7 · 5 + 16 · 4 + 13 · 3 + 5 · 2 + 6 · 1
47=
154
47= 3, 28g
t. e. sporeduvame dve masi: G so N . Masa vo grama, so masa
edinki
x =G
N.
Ovde oqigledno imame rabota so vidoizmeneta aritmetiqka
sredina, vo sporedba so taa od toqkata 4.10.2. Ovde imame grupi-
ranje na rezultati so ista vrednost koi se povtoruvaat izvesen
broj pati, t. e. grupiranje po klasi. Taka aritmetiqkata sre-
dina e sredina od momenti. Vsuxnost, toa moe da se izvede i od
osnovnata definicija na sredinata
x =
n∑
i=1
xi
n
194 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
pa ako se oddelat povtoruvanjata po frekvenciite
x =
f1︷ ︸︸ ︷
x1 + x1 + . . . + x1 +
f2︷ ︸︸ ︷
x2 + x2 + . . . x2 + . . . +
fk︷ ︸︸ ︷
xk + . . . + xk
f1 + f2 + . . . + fk
pa dobivame
x =x1f1 + x2f2 + ... + xkfk
f1 + f2 + ... + fk=
G
N.
Definicija. Aritmetiqka sredina na karaketiristikite xi
koi se javuvaat so poedineqni frekvencii fi se opredeluva kako
odnos megu vkupnata masa na eksperimentot so masata na brojnosta
x = xsr =G
H=
k∑
i=1
fixi
k∑
i=1
fi
=
k∑
i=1
fixi
N
Poradi ova masena (teinska) karakteristika na sredinata,
istata se vika mnogu qesto teixte. Imeto oqigledno doaga od
fizikata i geometrijata.
Primer 2. Ako imame dve masi m1 i m2 na rastojanie x1 i x2
od nekoja toqka O na istata prava, tie moat da bidat zameneti
so edna masa m1 + m2 no na rastojanie od O
x =m1x1 + m2x2
m1 + m2
Toqkata x se naoga megu dvete masi, i pretstavuva napadna
toqka na rezultantata na silata na zemjinata tea (teixte na
dve masi, ili teixte na praqka). Pri toa x e poblisku kon
pogolemata masa.
Primer 3. Geometriskoto teixte T na triagolnikot vo ra-
Matematika II (za studenti po biologija) 195
mnina, ako negovite teminja se dadeni so svoite kordinati: (x1, y1),
(x2, y2), (x3, y3) se presmetuva, kako xto e poznato, so pomox na
teoremata za teixnite linii, koi teixteto T gi deli vo odnos
2:1, so formulata
xT =2 · x1+x2
2+ 1 · x3
2 + 1=
x1 + x2 + x3
3= x
yT =2 · y1+y2
2+ 1 · y3
2 + 1=
y1 + y2 + y3
3= y
I spored ova koordinatite na teixteto se aritmetiqki sre-
dini od koordinatite na teminjata.
Primer 4. Fiziqkoto teixte na tri masi vo prostorot se
definira kako
xT =m1x1 + m2x2 + m3x3
m1 + m2 + m3
yT =m1y1 + m2y2 + m3y3
m1 + m2 + m3
zT =m1z1 + m2z2 + m3z3
m1 + m2 + m3
196 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
t. e. so aritmetiqkite sredini kade geometriski elementi-koordi-
nati xk, yk, zk se karekteristiki, a nivnite masi ml igraat uloga
na frekvencii.
4.10.4 Dobri i loxi strani na aritmetiqkata sredina
Aritmetiqkata sredina e najqesto upotrebuvaniot pretstavnik
vo biometrijata. Nejzinata dobra strana e xto zamenuva celo
edno mnoestvo, i toa go pravi uspexno, ako rezultatite se ras-
poredeni homogeno po intervalot na merenjeto, ili ako postoi
takanareqenata normalna raspredelba. No, aritmetiqkata sre-
dina moe da ima slabosti i nedostatoci.
I Sredina xto ne postoi moe da pretstavuva primerok
Neka merime nekoi dolini na konkretni objekti (ribi, ste-
bla, itn.), i barame nivna sredina. Taa moe da bide broj x koj
ne e ednakov nitu na eden od xk. Pa kakov e toj pretstavnik, ako
toj ne postoi vo samoto mnoestvo? Velime deka e apstrakten
pretstavnik na mnoestvoto x1, x2, . . . , xn.
Matematika II (za studenti po biologija) 197
II Nerealna sredina
Ako barame sredini od mnoestvoto karakteristiki koi sami
se grupirani vo dve klasi, edna so mali vrednosti, a druga so
golemi, sredinata ke bide toqno megu klasite, i nema da odgovara
nitu na ednata, nitu na drugata klasa. Vo ovoj sluqaj podobro
e da barame sredina samo za malata klasa, i samo za golemata
klasa.
III Sredina pri nedovolno reprezentativen primerok
Ako primerokot ne e dovolno dobro izbran moni se golemi
grexki ako ne se vnimava so sredinata.
Primer. Merena e brojnosta na familijata midii (vid
xkolki) na 10 merni mesta vo Crnoto More. Najdeni se slednite
rezultati:
Sredna golemina na jatoto midii na edno merno mesto (od
okolu 1000m2) e
198 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
A =1 + 4 + 8 + 14 + 24 + 30 + 48 + 143 + 5291 + 57235
10= 6780 primeroci.
Od iskustvo se znae deka proseqno nema poveke od stotina midii
na edno mesto. Rezultatot e oqigledno netoqen, bidejki mnogu
golemata brojnost na poslednoto, desetto merno mesto, vlijae ”te-
inski” vrz aritmetiqkata sredina i mnogu ja zgolemuva srednata
vrednost. Taa brojnost doaga taka xto sluqajno edno golemo jato
se naxlo na desettoto merno mesto, xto e izvonredno retko. Za-
toa sredinata e zgolemena stotina pati. Primerokot oqigledno
ne e reprezentativen. Zatoa namesto A, se voveduva eden drug vid
sredina-geometriska sredina.
IV Sredina pri heterogeni karakteristiki
Pri obopxtenite usrednuvanja kade xto karakteristikite se
mnogu opxti, aritmetiqkata sredina moe da bide mnogu nere-
alna. Kako na primer, vo ekonomijata pri presmetuvanje na razni
opxti indeksi. Na primer, velat: luksuznata stoka poskape za
90%, benzinot za 40%, lebot za 30%, lokomotivite za 5%, a za
proizvodite na metalnata i oboenata industrija, sosema mnogu-
brojni, samo za 3%. Sredno, aritmetiqki presmetano, poskapuvan-
jeto iznesuva 20%. Sredinata oqigledno ne e realna bidejki obiq-
niot qovek ne go interesira nitu luksuzot nitu pak golemata in-
dustrija. Ovde e neverodostojno loxo da se zboruva za sredinata-
ili e toa netoqno, ili e xpekulacija. Vakvi opxti sredini vsux-
nost nixto ne znaqat. Zatoa, vo princip se baraat sredini samo
od xto e mono po voednaqeni karakteristiki po kvalitet.
4.11 Geometriska sredina
Slabostite na aritmetiqkata sredina dovele do potreba za
voveduvanje na novi sredini.
Primer 1. Vo biologijata i voopxto vo biotehniqkite nauki
Matematika II (za studenti po biologija) 199
mnogu qesto rabotime so broevi od ekponencijalen tip. Tie se
karakteristiqni za ivite procesi. Neka, na primer, pri pres-
metuvanjeto na sostojbata na rastenje na populacija po formulata
mn = m0
(
1 +p
100
)n
se presmetuvaat dve vrednosti za vreme od n = 8 godini, na dve
razni merni mesta. So merenje se dobieni podatoci, pa
m1 = 16 · (1, 07)8; m2 = 25 · (1, 12)8
kako i nivnata sredina
m =m1 + m2
2=
16 · (1, 07)8 + 25 · (1, 12)8
2.
Ovie zbirovi texko se presmetuvaat bez logaritam ili pomoxni
sredstva.
Voveduvame geometriska sredina
g = gm1,m2 =√
m1 · m2.
Imame
g =√
16(1, 07)8 · 25(1, 12)8 = 4 · 5(1, 07)4(1, 12)4 = 20(1, 07 · 1, 12)4
xto e veke mnogu polesno za presmetuvanje.
Vo geometrijata e odamna poznata geometriskata sredina kako
otseqka koja se konstruira so pomox na dve otseqki i lak od
polovina krunica nad zbirot od ovie otseqki. Poznata e Evkli-
dovata teorema koja veli deka vo pravoagolen triagolnik proizvo-
dot od otseqkite na hipotenuzata, formirani od podnojeto na
visinata e ednakov na kvadratot na visinata, t.e. visinata na
pravoagolniot triagolnik e geometriska sredina od otseqkite na
hipotenuzata, t.e. h =√
p · q.
200 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Definicija. Ako se x1, x2 nekoi dve merni vrednosti, pod geo-
metriska sredina go podrazbirame brojot g koj e kvadraten koren
od nivniot proizvod
gdef=
√x1x2.
Analogno, ako se x1, x2, x3 nekoi tri merni vrednosti na ista
karakteristika X, pod geometriska sredina podrazbirame kuben
koren od nivniot proizvod
gdef= 3
√x1x2x3.
itn, ako imame n merenja, vai:
Definicija. Geometriska sredina od n merni vrednosti od
nekoe merenje se opredeluva kako n-ti koren od nivniot proizvod
gdef= n
√x1x2x3 · ... · xn = n
√√√√
n∏
k=1
xk.
Ako imame prisutni frekvencii, taka xto
karakteristikata x1 da se povtoruva f1 pati
karakteristikata x2 da se povtoruva f2 pati
.
.
.
karakteristikata xn da se povtoruva fn pati
togax, spored gornata definicija dobivame
Matematika II (za studenti po biologija) 201
G =N
√x1x1...x1︸ ︷︷ ︸
f1 pati
·x2x2...x2︸ ︷︷ ︸
f2 pati
·... · xnxn...xn︸ ︷︷ ︸
fn pati
=N
√
xf11 xf2
2 · ... · xfnn
kade
N =
n∑
k=1
fk
ili
Primer 2. So podatocite od primerot 1 vo 4.10.3 ja dobivme
nivnata geometriska sredina
G =47√
57 · 416 · 313 · 25 · 16 =
= 47√
(78125)(4294967296)(1594323)(32)(1) = 2, 97.
Bidejki A iznesuvaxe 3, 28 gledame deka e G < A. Zabeleuvame
deka presmetuvanjeto na G na vakov naqin e mnogu texko.
Presmetuvanje na geometriskata sredina
Toa retko se vrxi direktno, a najqesto so logaritmiranje.
Imame
logb G =1
Nlogb
n∏
k=1
xfk
k =1
N(f1 logb x1 + f2 logb x2 + ... + fn logb xn)
ili
logb G =1
N
n∑
i=1
fi logb xi = M
pa
G = bM .
Primer 3. Vo primerot so brojnosta na midii vo Crnoto
More, naogame
202 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
i
G =10√
1 · 4 · 8 · 14 · 24 · 30 · 48 · 143 · 5291 · 57235
pa
lg G = 110
(lg 1 + lg 4 + lg 8 + lg 14 + lg 24 + lg 30 + ... + lg 57235) =
= 110
10∑
k=1
lg xk ≈ 17,826310
= 1, 78263..
Sleduva deka
G ≈ 101,78263 ≈ 60, 62.
Sporedbata G ≈ 60, 62 << A = 6780 pokauva ogromna razlika
megu A i G. Megutoa, od praktika znaeme deka G e porealna vred-
nost, i rekovme zoxto.
Ovde priqinite za neednakvosta G << A ne se statistiqki.
Vai slednata
Teorema. Geometriskata sredina e sekogax pomala od arit-
metiqkata za istite merni rezultati xk
G < A.
Vo biologijata geometriskata sredina se koristi osobeno vo
onie sluqai kade xto imame geometriski progresii, operacii so
eksponenti, a toa e dosta qesto. Na primer, site problemi na ras-
tenje na populacijata ili kombinirani problemi vo genetikata,
itn.
Matematika II (za studenti po biologija) 203
4.11.1 Harmoniska sredina
Ako imame dve brojni karakteristiki x1, x2, na primer, pogole-
mi od 1, so reciproqnite vrednosti
1
x1,
1
x2
goleminite x1, x2 gi prenesuvame vo intervalot [0, 1], bidejki 1x1
, 1x2
se megu 0 i 1.
Ako od nekoi priqini rabotime samo vo intervalot [0, 1], na
primer ako se x1, x2 golemi ili rabotime samo so verojatnosti,
relativni frekvencii, togax go zamenuvame intervalot [x1, x2] so[1x1
, 1x2
]
.
Vo intervalot [0, 1] naogame aritmetiqka sredina od nivnite
sliki, i taa iznesuva
a =1x1
+ 1x2
2.
Ako sega sakame da se vratime na vistinskite vrednosti, vr-
xime obratno preslikuvanje so istata inverzija, i dobivame nov
broj
Hdef=
1
a=
11
x1+ 1
x2
2
=2
1x1
+ 1x2
.
Definicija. Neka se x1, x2 dve merni vrednosti. Harmoniska
sredina od dve merenja e reciproqna vrednost od aritmetiqkata
sredina od reciproqnite vrednosti na merenjata.
Na ist naqin, harmoniskata sredina od tri merenja x1, x2, x3
glasi
Hdef=
11
x1+ 1
x2+ 1
x3
3
=3
1x1
+ 1x2
+ 1x3
.
204 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Definicija. Za n merni vrednosti x1, x2, x3, ..., xn
Hdef=
11
x1+ 1
x2+...+ 1
xn
n
=n
n∑
i=1
1xi
i vo najopxt sluqaj, ako xk se javuvaat so frekvencija fk, imame
H =1
f1· 1χ1
+f2· 1χ2
+....+fn· 1χn
f1+f2+....+fn
t. e.
Hdef=
n∑
i=1
fi
n∑
i=1
fi
xi
=N
n∑
i=1
fi
xi
.
Primer. Da sporedime so primerot 1 od 4.10.3. Dobivame
H =1
7· 15+16· 1
4+13· 1
3+5· 1
2+6· 1
1
47
= 2, 56
gledame deka vai H = 2, 56 < G = 2, 97 < A = 3, 28.
No, i vo opxt sluqaj vai sporedbata.
Teorema. Za isti merni vrednosti vai
H < G < A.
4.11.2 Drugi vani poimi vo vrska so sredini
Sredina od sredini. Ako nekoe mnoestvo podatoci
x1, x2, . . . , xk, . . . , xt, . . . , xN
zaradi nekoi priqini go preredime vo n grupacii
x1, x2, . . . , xk , y1, y2, . . . , yl , ..., z1, z2, . . . , zs
qiixto aritmetiqki sredini, soodvetno, se
x, y, . . . , z,
Matematika II (za studenti po biologija) 205
togax sredina od sredini se opredeluva kako
¯x =x + y + ... + z
n
ili
¯x =x1+x2+...+xk
k+ y1+y2+...+yl
l+ ... + z1+z2+...+zs
s
n
Sredina od sredini e razliqna od obiqnata aritmetiqka sre-
dina, bidejki aritmetiqki gledano slednite sumi se neednakvi
n∑
kt=1
ktP
i=1xi
kt
n6=
N∑
i=1
xi
N.
Sredina od sredinite x se koristi qesto vo biometrijata, pri
vremensko grupiranje na rezultatite (na primer x = rezultati
sobrani vo eden mesec, y = rezultati sobrani vo drug mesec, itn.)
Medijana (sredna vrednost na karakteristikata),∧x = Me (x) e
onaa vrednost megu site podatoci xt, taka xto levo i desno od
nejze da ima ist broj podatoci xt, t.e.
x1, x2, ..., xm︸ ︷︷ ︸
ist broj
, x, xm+1, |x ..., xn︸ ︷︷ ︸
x 6=x ist broj
.
Medijanata∧x e najqesto razliqna od aritmetiqkata sredina x,
bidejki sredinata se stremi i se dobliuva kon pogolemata i poe-
fektivnata karakteristika (kon potexkata), dodeka medijana e ge-
ometriska brojna sredina koja bara levo i desno od nea da ima ed-
nakov broj elementi, no toa ne znaqi deka sekogax e zadolitelno∧x ≤ x.
Moda e najfrekventniot podatok,^x = Mo(x), i se vika uxte i
tipiqna vrednost, a se oznaquva i so^x = xf , ft = f (xt) = Maxft.
Primer. Dolinata na listovite na edno rastenie vo mm
dadena vo klasi iznesuva
206 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Lesno naogame:
x = 61.42 Me(x) =∧x = 63, Mo (x) =
^x = 59.5
Ako formirame grafik na frekvenciite, gledame deka Mo (x) e
vrvot na grafikot y = f (x):
4.11.3 Otstapuvanje od aritmetiqka sredina
Neka imame dve mnoestva so ista aritmetiqka sredina no so
razliqna struktura na podatocite.
Oqigledno e deka prvoto mnoestvo e pokompaktno, so mali vna-
trexni razliki; dodeka vtoroto sodri elementi koi poveke se
razlikuvaat i divergiraat od sredinata. Oqigledno e deka pr-
voto e statistiqki poreprezentativno, poubedlivo se zamenuva so
Matematika II (za studenti po biologija) 207
svojata sredina x, otkolku xto vtoroto se zamenuva so istata taa
sredina x. Bidejki vakvi primeri ima mnogu, se praxuvame xto
ke bide kriterium za reprezentativnosta na sredinata, t. e. dali
taa e dovolno dostoen pretstavitel na mnoestvoto. So taa cel
voveduvame:
Otstapuvanje na elementot xi od aritmetiqkata sredina x e
razlikata
∆xi = ∆i = xi − x
Geometriski, toa e otseqka megu toqkite xi i x. Taa moe da
bide i pozitivna i negativna. Vai ∆xi > 0 ako e xi desno (ili
nad) sredinata x; i vai ∆xi < 0, ako e xi levo (ili pod) sredinata
x.
Na ovoj naqin, na nizata podatoci
x1 , x2 , x3 , . . . , xk , . . . , xn
i odgovara edna niza otstapuvanja
x1 − x , x2 − x , x3 − x , . . . . , xk − x , . . . , xn − x
ili
∆x1 , ∆x2 , ∆x3 , . . . , ∆xk , . . ., ∆xn
Sredinata x e dotolku podobar pretstavnik na mnoestvoto
podatoci xi, dokolku sekoe otstapuvanje e pomalo po apsolutna
vrednost, t. e. poelno e goleminite
|∆xi| = |xi − x|
da se mali. No poradi sluqajnata priroda na podatocite, megu
∆xi prirodno ima i pogolemi i pomali. Zatoa e vano sumata na
otstapuvanjata da e xto pomala, t. e. sevkupno otstapuvanjata da
208 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
bidat xto pomali. No zbirot na site otstapuvanja iznesuva
n∑
k=1
∆xk =n∑
i=1
(xi − x) = (x1 − x) + (x2 − x) + ... + (xn − x)
= x1 + x2 + ... + xn − (x + x + ... + x)
= x1 + x2 + ... + xn − nx = nx − nx = 0.
Teorema. Zbirot od site otstapuvanja na podatocite od niv-
nata aritmetiqka sredina e ednakov na nula
n∑
i=1
(∆xi) = 0.
Ova znaqi deka ne moeme vkupnoto otstapuvanje da go ocenu-
vame so obiqen zbir na poedini otstapuvanja, bidejki toj zbir
e sekogax ednakov na nula, bez ogled na goleminite na poedinite
otstapuvanja. Teoremata kauva deka vo odnos na sredinata x ima
podednakov kvantum pozitivni i negativni otstapuvanja koi taka
se ponixtuvaat.
Ostanuva praxanjeto na opredeluvanjeto na pokazatel za uspex-
nosta na sredinata x kako pretstavnik na mnoestvoto. Istovre-
meno, barame kriterium za statistiqki kvalitet na mnoestvoto
xi bidejki e oqigledno deka mnoestvoto e statistiqki pokom-
paktno dokolku vkupnoto otstapuvanje e xto pomalo. Pa xto moe
da bide toa vkupno otstapuvanje? Ako zememe zbir od apsolutni
vrednosti
n∑
i=1
|xi − x| =
n∑
i=1
|∆xi|.
Ovaa vrednost nema da bide ednakva na nula, no bidejki ope-
racijata apsolutna vrednost negativnite broevi gi pretvora vo
pozitivni, brojotn∑
i=1
|∆xi| moe da bide pogolem. Zatoa se vove-
duva
Matematika II (za studenti po biologija) 209
Sredno apsolutno ostapuvanje e brojot
∣∣∆∣∣ =
n∑
i=1
|∆xi|
n
koj pokauva kolku sredno nekoj element xi otstapuva od sredinata
na mnoestvo.
4.12 Standardna devijacija. Definicija i formula
Razgleduvame dve mnoestva 9, 11 i 1, 19 sostaveni od po 2
elementi. Tie imaat ista sredina x = 10. No, otstapuvanjata na
prvoto mnoestvo se samo −1, 1, a vo vtoroto se −9, 9. Oqi-
gledno, sredinata x = 10 nema ednakvo mesto vo dvete mnoestva.
Zbirot od otstapuvanjata i vo dvete mnoestva e ramen na nula, a
srednoto apsolutno otstapuvanje pri prvoto mnoestvo e |−1|+12
= 1,
a pri vtoroto |−9|+92
= 9.
Se praxuvame xto ke bide merka za otstapuvanje od aritmetiq-
kata sredina na celoto mnoestvo, kako celina, od sopstvenata
aritmetiqka sredina. Ili, xto ke bide merka za statistiqkata
vrednost na sredinata kako reprezent vo ramkite na mnoestvoto.
Dokaavme deka ne moe da bide toa obiqniot zbir na otstapuva-
njata, bidejki toj e sekogax ramen na nula za koi bilo podatoci.
Ponixtuvanje na ovaa suma doaga poradi ramnomeren raspored na
znacite ” + ” i ” − ”, vo presmetanite razliki. Znakot ” − ” moe
da se odbegne so kvadriranjeto na sekoe otstapuvanje (xi − x)2 > 0.
Taka sega, ako gi sobereme site (xi − x)2, nema da ima ponixtu-
vanje. No so kvadriranjeto moeme mnogu da se oddaleqime od mer-
nite vrednosti i razliki, odnosno kvadriranjeto mnogu ja menuva
slikata na otstapuvanjata.
Zatoa, voobiqaeno e da se postapuva vaka: sekoe otstapuvanje
se kvadrira, tie kvadrati se sobiraat, i se delat so brojot na
otstapuvanjata. Potoa od seto toa se vadi kvadraten koren. Taka
presmetano proseqnoto otstapuvanje se vika standardna devijacija.
210 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Zborot znaqi sredno otstapuvanje na izbraniot primerok xi.Postapkata, so koja e presmetano ova otstapuvanje, e sosema oprav-
dana. Za da izbegneme pozitivni i negativni otstapuvanja da se
ponixtuvaat megusebno, nie niv gi kvadrirame, i na toj naqin do-
bivame pozitivni broevi. Ako niv gi sobereme, dobivame vkupna
masa od kvadratni otstapuvanja. Za da dobieme sredno otstapuvanje
na kvadrat, delime so brojot na otstapuvanjata n, i dobivame
prosek od toj zbir na kvadrati. No ovoj prosek moe da bide mnogu
golem, poradi kvadratite. Vadejki kvadraten koren, se sveduvame
na prvata dimenzija, i na takov naqin imame pozitivno linearno
otstapuvanje.
Vaka presmetana devijacija ni pokauva osobeno dobro kolku
e silno rasturanjeto na poedini elementi, i zatoa vaka formi-
raniot realen broj go narekuvame merka na disperzija na mernite
vrednosti od nivnata sredna vrednost. Ovaa postapka, objasneta
verbalno-logiqki, moeme sega lesno matematiqki da ja formuli-
rame.
Neka se x1, x2, x3, ..., xn eksperimentalni podatoci na primero-
kot, i neka e x nivnata aritmetiqka sredina. Togax otstapuvanja-
ta od x se
x1 − x, x2 − x, x3 − x, ..., xn − x
i megu niv ima i pozitivni i negativni. Nivnite kvadrati
(x1 − x)2, (x2 − x)2, ..., (xn − x)2
se site pozitivni no i oddaleqeni. Zbirot od ovie kvadrati
glasi:
n∑
i=1
(xi − x)2 = (x1 − x) + (x2 − x)2 + ... + (xn − x)2
i toj se vika kvadratna masa od site otstapuvanja. Sredno kvadratno
otstapuvanje se opredeluva kako
Matematika II (za studenti po biologija) 211
n∑
i=1
(xi − x)2
n=
(x1 − x)2 + (x2 − x)2 + ... + (xn − x)2
n
i standardnata devijacija se opredeluva so realniot broj
σ =
√√√√
n∑
i=1
(xi − x)2
n=
√
(x1 − x)2+ (x2 − x)
2+ ....... + (xn − x)
2
n
Sluqaj na frekvencii. Ako podatocite xi se javuvaat so nekoi
frekvencii fi, soodvetno, togax so istite tie zaqestenosti se
javuvaat i otstapuvanjata na sekoj element od sredinata, pa i
nivnite kvadrati. Zatoa, zbirot na kvadratite iznesuva
n∑
i=1
fi(xi − x)2 = f1(x1 − x)2 + f2(x2 − x)2 + ......fn(xn − x)2
Bidejki N =n∑
i=1
fi, za kvadratot na srednoto otstapuvanje imame
σ2 =
n∑
i=1
fi(xi − x)2
n∑
i=1
fi
=f1(x1 − x)2 + f2(x2 − x)2 + ........+ (xn − x)2
f1 + f2 + f3 + ..... + fn
taka xto standardnata devijacija sega glasi
σ =
√
f1(x1 − x)2+ f2(x2 − x)
2+ ..... + fn(xn − x)
2
f1 + f2 + f3 + ......fn
ili kratko
σ =
√√√√
n∑
i=1
fi(xi − x)2
N.
Standardnata devijacija e osnoven kriterium vo biometrijata
i nejzinoto presmetuvanje mora da se veba i vrxi so sigurnost.
Za poqetok, da go zememe poznatiot primer:
212 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
za koi sredinata e x = 3, 27.
Otstapuvanjata od sredinata glasat:
5 − 3, 28 = 1, 72; 4 − 3, 28 = 0, 72; 3 − 3, 28 = −0, 28; 2 − 3, 28 = −1, 28;
1 − 3, 28 = −2, 28
Standardnata devijacija glasi:
σ =
√
7 · 72342 + 16 · 0, 72342 + 13 · 0, 27662 + 5 · 1, 27662 + 6 · 2, 27662
47
=
√
7 · 2, 9701 + 16 · 0, 5233 + 13 · 0, 0765 + 5 · 1, 6297 + 6 · 5, 182947
= 1, 4767
t.e.
σ =√
1, 4767 = 1, 215
a ova znaqi deka tolku vo prosek iznesuvaat ostapuvanjata od
aritmetiqkata sredina, i vo edna, i vo druga strana.
Primer. Vo uvodniot primer so dve mnoestva od po dva ele-
menta, standardnite devijacii iznesuvaat:
σ1 =
√
12 + 12
2= 1, σ2 =
√
81 + 81
2= 9
xto e i prirodno. Vtoroto ima devetpati pogolemo sredno otstapu-
vanje od prvoto.
Drug oblik na formulata za standardna devijacija
Za da se izbegne maqnoto presmetuvanje na razlikite xi − x
koe gi prepovtoruva operaciite so decimalite od merenjeto na
xi, a moe i da gi zgolemi grexkite. Gornata formula za stan-
dardna devijacija qestopati se dava vo vidoizmenet oblik, kade
nema kvadrati od razliki, tuku samo edna razlika od kvadrati.
Vo mnogu uqebnici po Biometrija se dava tokmu ovaa formula
koja se smeta za praktiqna, dodeka prvata se smeta za definici-
ona. Zatoa nie treba i nea paralelno da ja znaeme.
Matematika II (za studenti po biologija) 213
Definicionata formula
σdef=
√
f1(x1 − x)2 + f2(x2 − x)2 + . . . + fn(xn − x)2
N
ke ja kvadrirame i ja pixuvame vo oblikot
σ2 =1
N
[f1(x1 − x)2 + f2(x2 − x)2 + . . . + fn(xn − x)2] .
Ako sekoja vnatrexna zagrada ja kvadrirame, dobivame tri-
nomi koi gi podreduvame:
σ2 =1
N
[f1x
21 − 2f1x1x + f1x
2+
+f2x22 − 2f2x2x + f2x
2+
+f3x23 − 2f3x3x + f3x
2+
. . . . . . . . . . . . . . . . . . . . . . . . . . .
+fnx2n − 2fnxnx + fnx2
]
Ako sega gi sobereme vertikalnite koloni i gi grupirame,
imame
σ2 = 1N
((f1x21 + f2x
22 + . . . + fnx2
n) − 2x (f1x1 + f2x2 + . . . + fnxn)+
+x2 (f1 + f2 + . . . + fn)) .
Bidejki e
f1x1 + f2x2 + . . . + fnxn = Nx; f1 + f2 + . . . + fn = N
dobivame
σ2 =1
N
n∑
i=1
fix2i −
1
N2xNx +
1
Nx2 · N
ili
σ2 =
(
1
N
n∑
i=1
fix2i
)
− 2x2 + x2
214 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
ili
σ2 =
(
1
N
n∑
i=1
fix2i
)
− x2
t. e. dobivame nova formula za standardnata devijacija
σ =
√√√√
(
1
N
n∑
i=1
fix2i
)
− x2
kade nemame rabota so (∆xi)2, no samo so x2
i . Znaqi, ∆xi se iskluqe-
ni od smetkite, pa za tolku vakvoto presmetuvanje na δ e poe-
fikasno.
Primer. Formulata ke ja primenime na ist numeriqki primer,
za da izvedeme komparacija, kako vo pogled na brzinata na presme-
tuvanjeto, taka i vo pogled na toqnosta. Niz praktika se pokauva
deka i ednata i drugata formula imaat svoi vrednosti. Imame
za pette teini so nivnite frekvencii:
σ2 =7 · 52 + 16 · 42 + 13 · 32 + 5 · 22 + 6 · 12
47− 3, 27662 =
=7 · 25 + 16 · 16 + 13 · 9 + 5 · 4 + 6 · 1
47− 10, 7361 =
=547
47− 10, 736 = 12, 2128 − 10, 7361 = 1, 4767
σ =√
1, 4767 = 1, 215.
Dobivame ist rezultat kako i so prvata formula, no ovde pres-
metuvanjeto bexe polesno, bidejki kvadrirame celi broevi 5, 4, 3,
2, 1; a ne dropki: 1, 2734;0, 7234 itn.
Beselova popravka
Bidejki formulata za standardnata devijacija e edna artime-
tiqko-logiqka konstrukcija, formulirana da prikae edno sredno
otstapuvanje za celoto mnoestvo, taa e quvstvitelna na broj-
nosta na egzemplarot, vproqem kako i sekoj statistiqki element.
Bidejki ako brojnosta e mala, ili nedovolna, zakonite izvedeni
Matematika II (za studenti po biologija) 215
od nea moat da bidat nesigurni.
Nie ja izvedovme formulata za σ koristejki samo eden mal
egzemplar, edna relativno mala populacija xi so brojot N , koja
e mnogu pomala od brojnosta na celata statistiqka masa, qestopati
neprebroiva.
Vo sluqajov nie ja izednaqivme sredinata na egzemplarot so
sredinata na celata masa, a tie se retko identiqni. Tie samo
prikauvaat tendencija na izednaquvanje. Moe teoriski da se
pokae, ako formulata za σ se izvede na pogorniot naqin, delejki
vo imenitelot so brojnosta N na egzemplarot deka se dobiva naj-
mala mona vrednost za standardnata devijacija, i toa onaa vred-
nost koja bi se dobila ako sredinata x na egzemplarot i χ na
statistiqkata masa bi bile isti, t.e. ako x = χ. No iako e
skoro sekogax x 6= χ, so tendencija na izednaquvanje spored za-
konot na golemite broevi ako N → ∞, σ treba da se zeme vo prak-
tika pogolema od najmalata. Zatoa treba da se izvrxi popravka
na formulata za σ, i da se zeme edno σ popraveno.
Toa novo σ popraveno se dobiva ako izvedenoto σ se pomnoi
so nekoj koeficient na popravka:
σpopraveno = σ · λ
Poznatiot matematiqar Besel dokaal deka potoqna vrednost
na otstapuvanjeto ke se dobie ako standardnata devijacija dobiena
so gornata formula se pomnoi so koeficientot λ,
λ =
√
N
N − 1
t. e.
σpopraveno = σ
√
N
N − 1.
Ako go zamenime teoriskoto σ dobivame
216 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
σpopraveno =
√√√√
n∑
i=1
fi(xi − x)2
N
√
N
N − 1
ili
σpopraveno =
√√√√√
n∑
i=1
fi(xi − x)2
N − 1
Gledame deka popravenata formula se razlikuva od izvedenata
po naxata teorija po toa xto imenitelot namesto brojnosta N , so-
dri brojnost namalena za edinica: N−1. Kako pri pomal imeni-
tel dropkata e pogolema, sleduva deka poslednata Beselova for-
mula dava pogolemi vrednosti za standardnata devijacija otkolku
naxata formula so N . Ova e osobeno vano pri mal broj eksperi-
menti N . Ako e N ≤ 30 zadolitelno se koristi σ popraveno. Ako
e N mnogu golemo, seedno e koja formula se koristi. Togax vo
ramnopravna upotreba se i ednata i drugata, so taa zabelexka
xto ako se koristi ednata vo nekoj problem, taa treba da se ko-
risti do kraj vo istiot problem, i tie ne treba da se mexaat.
4.13 Koeficient na varijacija
Ako ja nabljuduvame formulata za standardnata devijacija,
konstatirame deka σ e proporcionalna so podatocite xi. Toa zna-
qi ako imame zadaqa da merime vo edno bioloxko mnoestvo, vo
koe elementite se opredeleni so golemi broevi, togax i stan-
dardnata devijacija ke bide golem broj. Ako nasproti toa imame
bioloxko mnoestvo so elementi izrazeni so mali vrednosti, i
nivnata standardna devijacija ke bide mala. Spored toa, ima
texkotii pri sporedbata na edna populacija so druga, so ogled
na standardnata devijacija, bidejki taa ja definirame kako apso-
lutna merka.
Primer 1. Merime dve vozrasni strukturi na ribi, od ist
Matematika II (za studenti po biologija) 217
vid, vo ist ekosistem (ribnik), so cel da go presmetame prinosot.
Prirodno, tie ke se razlikuvaat po nivnata dolina i teina.
σ1 =
√√√√
n∑
i=1
(xi − x)2
N, σ2 =
√√√√√
n∑
i=1
(Xi − X
)
N
2
Bidejki za rastot na ribite vo eksperimentot vai
Xi > xi
pri isto N , togax i za sredinite ke vai
X > x
pa moe da se oqekuva deka i za soodvetnite otstapuvanja (barem
vo pogolemiot broj) ke vai
(Xi − X
)2> (xi − x)2
kako i
fi
(Xi − X
)2> fi(xi − x)2
218 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
od kade, delejki so N , i kvadrirajki, ke dobieme
σ2 > σ1.
Gledame, bidejki vtorata grupacija ribi e pogolema, deka i
soodvetnata standardna devijacija e pogolema. No nie rabotime
so ribi od ist vid, na isto mesto, samo vo razliqni vreminja,
i zatoa ni treba nekoj matematiqki instrument koj nema da za-
visi od goleminite xi i Xi na merenite objekti, tuku od niv-
nata bioloxka gustina. Poradi osobinata σ2 > σ1 standardnata
devijacija σ nema komparativna vrednost, tuku samo vnatrexna,
lokalna vrednost, vo edno isto mnoestvo i vo eden eksperiment.
Razlikite megu xi i Xi koi vlijaat vrz soodvetnite σ1, σ2 moat
da se ublaat, ako ovie poslednive se podelat so soodvetnite sre-
dini x i X:
Pogolemata σ2 podelena so pogolema sredina X se namaluva, a
pomalata σ1 podelena so pomalata sredina x se nagolemuva.
Taka koliqnikot σ1
xraste, a σ2
Xopaga, pa vo opxt sluqaj imame
tendencija daσ1
x≈ σ2
X.
Definicija. Koeficient na varijacija e odnos megu stan-
dardnata devijacija i soodvetnata aritmetiqka sredina na mere-
noto mnoestvo
C.V. =σ
x
i toj pokauva kolku e srednoto otstapuvanje vo odnos na prosekot.
Taka standardnata devijacija e napravena nezavisna od samata
golemina na objektite i moe da se koristi vo gornata forma
na koeficientot C.V. vo bioloxkite eksperimenti, kade ivite
objekti se promenlivi so tek na vremeto.
Mnogu e korisno, i voobiqaeno, C.V. da se izrazuva vo pro-
centi, znaqi sporedbeno so osnovnoto mnoestvo od 100 edinki.
Definicija. Koeficient na varijacija vo procenti e brojot
C.V.% =σ
x· 100%
Matematika II (za studenti po biologija) 219
i vo eksplicitna forma ovoj pokazatel glasi
C.V. =
√nP
i=1(xi−x)2
nnP
i=1xi
n
=
√√√√√√√
n ·
n∑
i=1
(xi − x)2
(n∑
i=1
xi
)2
ili so ogled na frekvenciite
C.V. % =
√nP
i=1fi(xi−x)2
NnP
i=1fixi
N
· 100%.
Primer 2. Pri podatocite od primerot 1 od 4.10.3 dobivame
C.V. =1, 215
3, 2766= 0, 37
i
C.V.% = 37%.
Ova znaqi deka proseqnoto otstapuvanje od sredinata iznesuva
37%, t.e. od 100 mereni edinki 37 otstapuvaat od nivnata pro-
seqna vrednost a 63 se vo ramkite na prosekot.
Primer 3. Neka srednata vrednost na holesterol kaj hiper-
holesterolemiqni pacienti iznesuva 7,3 mM, a proseqnoto otsta-
puvanje iznesuva 0,8. Da se opredeli koeficientot na varijacija
CV vo %.
CV (%) =σ
x· 100 =
0, 8
7, 3· 100 = 10, 95.
Znaqi, 10,95% od ispitanicite otstapuvaat od proseqnata vred-
nost, a 89,05% se vo ramkite na srednata vrednost.
Primer 4. Neka srednata vrednost na kreatinin vo serum kaj
zdravi ispitanici iznesuva 86 µM , a proseqnoto otstapuvanje iz-
nesuva ±20. Da se opredeli koeficientot na varijacija vo %.
220 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Biometriska tabela
Za edno dadeno statistiqko mnoestvo xi so frekvencii fi poka-
zatelite
x,n∑
i=1
fi = N, ∆xi, (∆xi)2, fi(∆xi)
2, σ, C.V., C.V.%
najdobro se prikauvaat i se presmetuvaat preku slednava tabela
Ovaa tabela se formira skoro pri sekoja biometriska zadaqa,
bidejki taa sodri parametri neophodni za sekoja statistika. Na
eden broen primer ke ja prikaeme ovaa tabela.
Primer 1. Dadeni se sredni dolini na petgodixna pastrmka,
so soodvetni frekvencii po klasi
Opredeli gi N, x, ∆xi, σ, C.V.
Rexenie. Imame
Matematika II (za studenti po biologija) 221
Bidejki e N =10∑
i=1
fi = 1000 naogame
x =47712
1000= 47, 712 cm
xto pretstavuva sredna dolina na petgodixna pastrmka. Ja for-
mirame tabelata, qii prvi dve koloni se sostaveni od podatocite,
a drugite qetiri gi popolnuvame so ednostavni aritmetiqki ope-
racii (so kalkulator).
Presmetuvame
σ =
√
Q
N=
√
350039
100000=
591, 64
100= 5, 91 ≈ 6.
Znaqi, sekoja riba otstapuva proseqno od srednata dolina
samo za 6cm, xto e priliqno dobro statistiqko odnesuvanje, a i
od gledna toqka na eksploatacijata. Natamu, varijacijata e
C.V. =σ
x=
5, 91
47, 712= 0, 12 i C.V.% = 12%.
Ova znaqi: na 100 pastrmki od 5 godini od niv 12 proseqno
otstapuvaat od nivnata sredna dolina a 88 se vo ramkite na
prosekot. Eksperimentot so 1000 probi dava tolku.
Primer 2. Tabelarno se prikaani sredni vrednosti na kon-
centracija na glukoza vo plazma kaj 100 maxki individui na voz-
222 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
rast od 30 godini so soodvetnite frekvencii po klasi.
x (mM) 4,25 4,7 4,9 5,2 5,35 5,5
f(x) 2 15 35 31 11 6
Presmetaj gi x, σ i C.V.
Primer 3. Tabelarno se prikaani sredni vrednosti na kon-
centracija na vkupen bilirubin vo serum kaj 100 maxki indi-
vidui na vozrast od 30 godini so soodvetnite frekvencii po klasi.
x (µM) 4,2 5,4 6,3 8,1 9,3 11,7
f(x) 2 15 35 31 11 6
Presmetaj gi x, σ i C.V.
4.14 Normalna raspredelba vo praktikata
Vo biologijata, isto kako i vo celata statistika voopxto, os-
novna uloga igra vrskata
karakteristika ↔ zaqestenosta na nejzinata pojava
ili
vrskata megu brojnata vrednost na nekoe obeleje, so frekven-
cijata na javuvanjeto na toa obeleje, koe go beleime, kako xto
veke znaeme
x ↔ f(x).
Ova vrska se vika raspredelba na frekvenciite i e baza na
sekoja statistika. Od nea direktno zavisi verojatnosta na nekoja
pojava x.
Grafiqki, ako broevite x i y = f(x) gi smetame za koordinati
na toqki vo eden Dekartov koordinaten sistem, dobivame geomet-
riska slika ili grafik na ovaa raspredelba.
Matematika II (za studenti po biologija) 223
Niz praktikata se pokauva deka vakvi tipovi raspredelbi
nema mnogu vo prirodata, i deka megu niv ima edna najvana i
najqesta.
Demografski primer. Merena e teinata pri raganjeto na
9465 maxki deca. Dobienite vrednosti na teinite so soodvet-
nite frekvencii naneseni se kako toqki vo kordinatniot sistem.
Tie toqki se povrzani i se dobiva eden poligonalen grafik.
Ako soodvetnite toqki gi spoime so otseqki, dobivame linija
so karakteristiqni svojstva: mnogu golem broj deca se ragaat so
nekoja sredna teina, od 3500g, i dokolku se oddalequvame od taa
teina od, desno ili levo, brojot na decata so mnogu pogolemi
ili mnogu pomali teini od proseqnata drastiqno se namaluva.
Imame takanareqena edna tipiqna normalna raspredelba na
frekvenciite. Najqesta e edna sredna pojava, a oddaleqenite od
srednata pojava se se poretki i poretki. Gorniot crte prika-
uva karaktristiki - teini vo skokovi od 700g i pretstavuva
priliqno gruba poligonalna linija.
Dokolku bi broele uxte poveke deca, vo pogolem broj godini,
bi imale uxte potoqni podatoci, i pogolem broj toqki na crteot.
Tie toqki bi bile rasporedeni pogusto, po najkratki rastojanija,
i bi se dobliuvale do edna neprekinata kriva. Niv bi gi dobile
so namaluvanje na intervalot od 700g na 350g, pa na 100g, na 50g,
224 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
na 10 grama, i taka bi imale edna serija od se positno iskrxeni
poligonalni linii, koi bi se slile vo edna neprekinata kriva,
koja e sliqna za site vakvi pojavi, takanareqenata kriva na nor-
malnata raspredelba, tolku karakteristiqna, za iviot svet i vo
biologijata.
Na istiot ovoj primer, so proxiruvanje na podatocite, ke go
prikaeme znaqenjeto na brojnosta na eksperimentite za opredelu-
vanje na zakonot za raspredelbata. Ke se vidi deka biologijata
qestopati bara golem broj eksperimenti. Na ordinatnata oska
se nanesuvani frekvenciite od istiot primer pogore: Teinata
na decata pri raganjeto, ednax pri brojnosta od samo 25 deca,
vtorpat od 100 deca, tretpat od 500 deca, i qetvrtipat od 2000
deca.
Intervali na teinata se ∆x = 350g. Ke vidime deka prirod-
nata normalna raspredelba na frekvenciite moe da se naseti
poqnuvajki od N = 500 merenja, a veke sosema jasen grafik na nor-
Matematika II (za studenti po biologija) 225
malna raspredelba dobivame pri N = 2000 merenja. Mal broj
eksperimenti N = 25 i N = 100 dava nejasna slika. Za dobra dis-
tribucija na frekvencii treba pogolem broj elementi, t. e. eden
pobroen primerok.
Zgolemuvajki ja uxte poveke brojnosta na eksperimentot ke do-
bieme edna gusto rasporedena serija na toqki bliska do nepre-
kinata kriva.
Sliqno odnesuvanje na disperzija na merni vrednosti imaat i
bioloxkite mnoestva ako gi razgleduvame po edna, za niv karak-
teristiqna osobina. Mnogu qesto pritoa se sogleduva mnogu go-
lema pravilnost, koja se sogleduva vo koncentracijata na golem
broj individui f okolu nekoja sredna karakteristika x, a mal
broj individui so frekvencii f okolu vrednosti x koi se odd-
alequvaat od srednata vrednost. Ova pretstaveno grafiqki, preku
kooordinati na toqki, dava edna pravilna slika koja se karakter-
izira so izrazena simetriqnost, i istaknat del na najfrekvent-
niot del. Od iskustvo i sami znaeme poveke normalni raspre-
delbi. Praktikata pokauva deka vakvi raspredelbi se srekavaat
na sekoj qekor.
Primer 1.
- Lisja od edno steblo mereni po nivnata dolina se grupiraat
po ovaa raspredelba.
226 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
- Zrna grav po nivnata teina.
- Kolektiv luge po nivnata visina.
- Zrna pqenica po nivnata sodrina na skrob.
- Fosilen skelet spored dolinata na qerepite.
Vo praktikata, do normalna raspredelba, doagame najqesto ako
se razgleduvaat nekoi osobini na poedineqni kolektivi vo koi
ima izvesno prirodno rasturanje (otklonuvanje, otstranuvanje, ot-
stapuvanje) od nekoi sluqajni priqini. Toa se kolektivi so golema
brojnost, i kade golem broj edinki se odnesuva sliqno na svojot
prosek, a eden pomal del otstapuva poveke ili pomalku od pros-
ekot.
Tipiqno vakvi se bioloxkite populacii.
Iskustvoto ne uqi deka vai sledniot zakon:
Vo 80% pojavi vo biologijata vai normalnata raspredelba,
a samo vo 20% od preostanatite pojavi vaat site drugi raspre-
delbi zaedno.
Toa znaqi deka normalnata raspredelba e vrzana so samiot
ivot.
Deka postojat i drugi raspredelbi, moeme da se uverime so
eden ist primer:
Primer 2. Vo meta, strela proseqen strelec.
Nastanuva edno prirodno rasturanje na zrnoto. Najmnogu pogo-
doci se vo okolinata 5 − 6 − 7. Malku niv gi ima vo 8 i 9; kako i
4 − 3. Sosema malku vo centarot 10, kako i vo 2 − 1.
Matematika II (za studenti po biologija) 227
Edna tabela
dava tipiqna normalna raspredelba.
Vo meta, strela eden majstor. Negova specijalnost se desetki
i devetki, po nekoja osumka, drugo skoro i da nema.
228 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Registrirame pogodoci.
Ovaa raspredelba znaqitelno se razlikuva od normalnata, i
mnogu e pomalku sluqajna. Majstorstvoto na strelecot ovde eli-
minira golem broj sluqajnosti.
Za pojavata na normalnata raspredelba e razraboten matema-
tiqki aparat koj ovzmouva mnogu matematiqki predviduvanja vo
ovoj vid pojavi, verojatnosti i sigurnosti na nastani, kako i na
formuliranje na striktni bioloxki zakoni.
Matematiqka formula za normalnata raspredelba
Ako se obideme da najdeme formula za funkcijata y = f(x) po
koja se rasporedeni frekvenciite od prethodnata toqka, kako i
formulata za site drugi sliqni sluqai, se ispravame pred seri-
ozen teoriski problem. Toj problem e uspexno rexen od german-
Matematika II (za studenti po biologija) 229
skiot matematiqar Karl Fridrih Gaus, koj otkril deka normal-
nata raspredelba se vrxi po eden prost eksperimentalen zakon od
vid
y = f(x) = Ae−k(x−x0)2
kade
A = 1σ√
2π, k = 1
2σ2 , x0 = x
y = f(x) =1
σ√
2πe−
(x−x)2
2σ2
koj se vika Gausov zakon za gustina na raspredelbata na verojat-
nostite pri normalna raspredelba.
Vo ovaa formula e
x− brojna vrednost na karakteristikata
x− aritmetiqka sredina na karakteristikata x
σ− standardna devijacija
e, π− poznati osnovni matematiqki konstanti.
Grafikot na gornata funkcija se vika teoriska kriva na gusti-
nata na raspredelbata na verojatnostite pri normalna raspre-
delba.
Toa znaqi deka sekoj set podatoci xi ima svoja teoriska kriva
na raspredelba, koja moe malku da se razlikuva od ekperimen-
talnata kriva. Ova ke go prikaeme uxte na eden primer, xto ke
go obrabotime numeriqki i teoriski.
Primer. Za potrebite na industrijata (konfekcija na obleka
i qevli, dimenzii na kreveti, modeliranje na mebel, liqno vooru-
uvanje, itn.) potrebni se sigurni statistiqki podatoci bazi-
rani vrz golem broj individualni merenja. Vo SAD po Prvata
svetska vojna mereni se visinite na 28 595 luge, tie se podredeni
po klasi intervali od ∆x = 2cm, i toa od xmin = 153cm do xmax =
193cm. (Rezultat od x = 174cm, znaqi deka se opfateni site visini
x za koi vai 173cm ≤ x ≤ 175cm).
230 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Dobiena e slednata tabela:
(Prvite dve koloni se eksperimentalni rezultati):
N = 21 klasa
xmin = 153
xmax = 193
nempiriska = 28595
nteoriska = 28595
Ako pretstavime grafiqki toqki qiixto koordinati se broe-
vite od prvite dve koloni na gornata tabela:
(153, 124), (155, 222), (157, 405), .....
niv vkupno 21, dobivame toqkasta kriva L1, takanareqena empiriska
kriva na normalna raspredelba na frekvenciite.
Ako od empiriskite podatoci formirame biometriska tabela
i so nejzina pomox presmetame
Matematika II (za studenti po biologija) 231
x = 171cm, σ = 6, 82cm
moeme da formirame konkretna Gausova funkcija na gustina na
normalnata raspredelba na verojatnostite za ovoj sluqaj
f(x) =1
6, 82√
6, 28e− (x−171)2
2·(6,82)2
Ovaa funkcija f(x) e gustina na raspredelbata na verojatnos-
tite, i ne ja dava relativnata frekvencija, nitu pak n · f(x).
Znaqenje na frekvencija ima integralot vo mal interval
xk+1∫
xk
nf(x)dx =
xk+1∫
xk
28595
6, 82√
6, 28e− (x−171)2
2·(6,82)2 dx
i za vakvi mali intervali vai priblino
xk+1∫
xk
nf(x)dx = ∆k · nf(x)
kade
x =xk + xk+1
2
Na crteot, frekvencijata e presmetana so pomox na ploxti-
nata
Na primer, za x = 171 ke zememe interval [xk, xk+1] = [170, 172] i
taka imame frekvencija
f∗(171): f∗(171) = ∆xk· f(171) · n = 2 · 28595
6,82√
6,28e− (171−171)2
2(6,82)2 = 3346, 22
kade x = 171 e sredina na intervalot [170, 172]; x = 173 e sredina
232 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
na intervalot [172, 174], itn.
Ako sega na istiot koordinaten sistem na koj e skicirana kri-
vata L1 naneseme novi toqki
(x, f∗(x))
kade f∗(x) se dobiva na naqin pogore opixan, i kade x e broj od
intervalot 153 ≤ x ≤ 193, zemen vo ramnomerni sredni toqki do
podintervalite, dobivame vtora kriva L2, koja se vika teoriska
kriva na normalna raspredelba na frekvenciite. Konstatirame
deka krivata L2, dobiena po postapka na integriranje na nf(x) kako
vo gorniot primer, e mnogu bliska do krivata L1.
Moe da se pokae deka teoriskata kriva y = f∗(x) nacrtana
so integral od Gausovata funkcija e najdobra priblina nepreki-
nata kriva do nizata toqki Mn(xn, yn) dobiena od eksperimentalni
rezultati.
Isto kako i vo ovoj primer, i sekoja druga normalna raspre-
delba ima svoja matematiqka formula vo vid na eksponencijalna
funkcija, koja zavisi od osnovnite statistiqki parametri na eg-
zemplarot n, x, σ. Da izbereme dve mnoestva so ista brojnost n
i isti sredini x1 = x2 no so razni standardni devijacii σ1 = σ2.
Formulata bitno zavisi od σ.
Mala standardna devijacija nastanuva ako poveketo od rezul-
tatite se grupiraat okolu sredinata, a samo mal broj od niv bega
levo ili desno. Otstapuvanjata ∆xi = xi − x se mali, i taka e
σ1 mala. Grafiqki, Gausovata kriva e tesna, strmna i visoka.
Matematika II (za studenti po biologija) 233
Bidejki σ1 e malo, i intervalot (x − σ1, x + σ1) okolu sredinata e
mal, no sepak vo nego se skoro site golemi frekvencii, a nadvor
od nego se mal broj frekvencii i mali po golemina. Eksperimen-
tot e uspexen i statistiqkata slika e dobra. Moni se sigurni
zakluqoci.
Golema standardna devijacija na stanuva ako se otstapuvanjata
∆xi = xi−x golemi. Togax nema tolku izraziti frekvencii okolu
x, tuku se tie dekoncentrirani po celiot interval po x. Inter-
valot (x − σ2, x + σ2) e xirok i zafaka dosta frekvencii, no zatoa
ima i dosta frekvencii nadvor od ovoj interval. Statistiqka
slika na pojavata e disperzirana, i ne e najpovolna za donesu-
vanje zakluqoci.
Verojatnosta na pojavata na frekvencijata pri normalnata
raspredelba
Ako pojdeme od Gausovata funkcija na gustina na raspredelba
na verojatnostite
f (x)=1
σ√
2πe-
(x−x)2
2σ2
vidovme deka frekvencijata za toqkata x moe da se presmeta so
integral vo edel mal interval okolu taa toqka x:
frekvencija =
∫ xk+1
xk
nf (x)dx.
Pod verojatnost na pojavata na nekoja frekvencija ja podrazbi-
rame nejzinata relativna frekvencija
234 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
P (x, so frekvencija f) =frekvencija
brojnost=
n∫ xk+1
xkf (x) dx
n=
=
∫ xk+1
xk
f (x) dx =1
σ√
2π
∫ xk+1
xk
e−(x−x)2
2σ2 dx.
Ako sakame verojatnost na pojava na opredeleni frekvencii
vo site toqki x na eden interval [A, B], taka istiot interval ke
go razdelime na mnogu posledovatelni mali intervali takvi xto
U [xk, xk+1] = [A, B] i togax vkupnata verojatnost
P (site x ∈ [A, B]) =
=1
σ√
2π
∫ x1
x0
e−(x−x)2
2σ2 dx + ... +
∫ xk+1
xk
e−(x−x)2
2σ2 dx + ... +
xn∫
xn−1
e−(x−x)2
2σ2 dx
=
= 1σ√
2π
∫ B
Ae−
(x−x)2
2σ2 dx.
Za presmetuvanje na ovie integrali se vrxi transformacija
na koordinati koja gi uprostuva presmetuvanjata. Ako namesto x
vovedeme nova nezavisna promenliva t so zamenata:
x − x
σ= t
dobivame
f(x + σt) = f1 (t) =1
σ
1√2π
e−t2
2
kade gustinata na verojatnosta e sega izrazena samo preku stan-
dardnata devijacija, i edna funkcija od t koja posebno se na-
glasuva:
ϕ (t) =1√2π
e−t2
2
i se vika Gausova kriva na verojatnost. So nejzinata pomox
gustinata na raspredelbata na verojatnostite pri normalnata
Matematika II (za studenti po biologija) 235
raspredelba pri dadena karakteristika x iznesuva
f1 (t) =1
σϕ (t)
kade t = x−xσ
.
So smenata x−xσ
= t intervalot po x, [A, B], se transformira vo
interval [a, b] po t. Vo nego verojatnosta na pojavata na frekven-
cijata f1 (t) vo edna toqka t ke ja opredelime so interval od tk do
tk+1 okolu toqkata t kako sredna toqka
P (t) =
∫ tk+1
tk
f1 (t) dx
kade maliot interval dx treba da se zameni so soodveten mal dt.
Ako sakame verojatnost na pojavata na frekvencii ne vo edna
toqka, tuku vo cel eden interval: a ≤ t ≤ b, treba oqigledno
da gi presmetame site verojatnosti vo toqkite t1, t2, t3, ..., tk od toj
interval t. e. za site ordinati megu a i b. Zakluquvame deka ovie
ordinati formiraat edna povrxina zagradena so Gausovata kriva
na verojatnosta, del od t- oskata megu toqkite a i b i ordinatite
vo krajnite toqki.
( )
1 2 30t a t t t b
P a t b
=
£ £
. . .
Ovaa ploxtina e merka na verojatnosta na pojavata na site
frekvencii za karakteristiqni t megu a i b, i kako xto prethodno
znaeme e integral. Znaqi,
Ptotalna =n∑
k−1
Pk =n∑
k−1
∫ tk+1
tk
f1 (t)dx =
∫ b
a
f1 (t)dx.
236 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Ako krajnata toqka b = t e promenliva, a poqetnata toqka a = 0,
togax e i verojatnosta promenliva, pa imame
x − x
σ= t, x =x + σ, dx =σdt
i taka e
P (t)=
∫ t
0
1
σ
1√2π
e−t2
2 σdt =
∫ t
0
1√2π
e−t2
2 dt =
∫ t
0
ϕ (t) dt.
Funkcijata xto se dobiva na ovoj naqin se belei so
Φ(t) =
∫ t
0
ϕ (t)dt =
∫ t
0
1√2π
e−t2
2 dt
i se vika interval na verojatnosta. Za operiranje so nego ne treba
poznavanje na vixata matematika, bidejki istata e tabelirana, i
tabelata moe da ja koristi sekoj xto e malku upaten. Tabelata
e ednostavna
Taa se koristi vo prognozi na verojatnostite.
Interval na doverba
Formiranata funkcija na normalnata raspredelba moe da slu-
i da presmetame frekvencii za ovie karakteristiki x koi ne se
Matematika II (za studenti po biologija) 237
mereni, a koi se naogaat megu dve mereni karakteristiki xk i xk+1
(takanareqenata interpolacija), ili da otkrieme frekvencii za
onie x koi se nadvor od intervalot na razgleduvanoto mnoestvo
(ekstrapolacija); potoa da opredelime verojatnost na pojavata na
nekoja frekvencija, vo toqka ili vo interval; no toa e samo del
od primenata na normalnata raspredelba. Edno drugo praxanje,
mnogu suxtestveno vo teorijata na eksperimentot, se nalouva.
Za praktikata qestopati e vano praxanjeto koja e verojat-
nosta nekoe otstapuvanje da se naoga vo opredeleni granici. Ako
merenata goleminata e x, sredinata x, togax otstapuvanjeto e x−x.
Vano e ova otstapuvanje da ne e nitu pregolemo, nitu premalo,
t. e. da se naoga vo opredeleni granici, megu −l i +l:
−l ≤ x−x ≤ +l.
Ako vo funkcijata na normalnata raspredelba izvrxime trans-
formacija na koordinatniot sistem stavajki
t =x− x
σ
dobivame
f1 (t) =1
σ√
2πe−
t2
2 .
Ako neravenkata koja go ograniquva otstapuvanjeto ja podelime
so σ, dobivame
−l
σ≤ x − x
σ≤ + l
σ
ili
−l
σ≤ t ≤ + l
σ
Verojatnosta otstanuvanjeto x−x da e megu −l i +l, xto se
pixuva simboliqki
P (x, |x− x| < l)
238 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
e dadena so integralot:
P (x, |x− x|) < l) = P (−l < x− x < +l) = P (x − l < x < x + l) =
=
∫ x+l
x−l
1
σ√
2πe−
(x−x)2
2σ2 dx.
Ako vo nego ja izvrxime spomnatata smena x−xσ
= t, dobivame
P (t, |t| <l
σ) =
+ lσ∫
− lσ
1
σ√
2πe
−t2
2 σdt =
+ lσ∫
− lσ
1√2π
e−t2
2 dt
ili
P (t, |t| <l
σ) =
+ lσ∫
− lσ
ϕ(t)dt = Φ(t)∣∣∣+ l
σ
− lσ
kade ϕ(t) e veke spomnatata Gausova funkcija, a Φ(t) e zakon na
verojatnosta. Poradi parnosta na funkcijata ϕ(t) vai
+ lσ∫
− lσ
ϕ (t) dt = 2
lσ∫
0
ϕ (t) dt = 2Φ(t)
∣∣∣∣∣
lσ
0
t. e.
P (t, |t| <l
σ) = 2Φ
(l
σ
)
− 2Φ(0),
kade soodvetnite vrednosti na funkcijata Φ(t) gi naogame od tabli-
cata dadena vo prethodnata lekcija.
Praktiqki e najvano praxanjeto: koja e verojatnosta nekoe
otstapuvanje da e samo vo ramkite na edna standardna devijacija,
t. e.
−σ ≤ x − x ≤ +σ
Ovde −l = −σ, +l = +σ, pa vai −l/σ = −1 i l/σ = +1.
Toa znaqi deka treba da gi presmetame intervalite
Matematika II (za studenti po biologija) 239
P (t, |t| ≤ 1) = 2Φ(1) − 2Φ(0).
Od tablicata naogame
Φ(1) = 0.34234 i Φ(0) = 0
i dobivame odgovor
P (x, |x − x| < 1 · σ) = 0.68268
Taka imame vano tvrdenje:
Verojatnosta otstapuvanjeto x− x da se naoga megu −σ i +σ, t.
e. vo ramkite na edna standardna devijacija iznesuva
P (x, |x − x| < 1 · σ) = 68%.
Znaqi, ako imame normalna raspredelba, i ako sakame rezul-
tatite na merenjata da bidat gusto rasporedeni vo eden mal in-
terval na otstapuvanja, verojatnosta za golem broj frekvencii e
se uxte nezadovolitelna.
Ovoj rezultat znaqi, ako se mernite karakteristiki vo inter-
val so xiroqina σ okolu x
x− σ ≤ x ≤ x + σ,
samo 68% od frekvenciite ke gi pridruuvaat ovie x, a drugite
frekvencii, niv 32%, ke pridruuvaat vrednosti nadvor od ovoj
interval.
Ako go zgolemime ovoj interval od edna standardna devijacija,
na xiroqina od dve standardni devijacii, so elba vo nego da vk-
luqime xto poveke frekvencii, postavuvame praxanje koja e vero-
jatnosta otstapuvanjeto |x − x| da e vo granicite na dve standardni
devijacii:
|x − x| ≤ 2σ
240 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
−2σ ≤ x − x ≤ +2σ.
Oqigledno treba da se presmeta integralot
P (x, |x − x| < 2σ) = 2
2∫
0
1√2σ
e−t2
2 dt = 2Φ(2) = 2 · 0, 47725 = 0.95450
ili ako zaokruime vo procenti:
P (x, |x − x| < 2σ) = 95%.
Na onoj naqin ja dobivame slednata vana:
Teorema. Pri normalnata raspredelba verojatnosta P otsta-
puvanjeto |x − x| da se naoga megu dve standardni devijacii okolu
sredinata x, iznesuva
P (x, |x− x| < 2σ) = 95%
xto znaqi deka 95% od frekvenciite pripagaat na ovoj interval
okolu sredinata, samo 5% od frekvenciite se nadvor od ovoj in-
terval.
Gledame, ako go proxirime intervalot na naoganjeto na karak-
teristikata dvojno, verojatnosta na naognjeto na frekvenciite na
ovoj interval mnogu se zgolemuva.
Qekor poveke, ako sakame da ja presmetame verojatnosta otsta-
puvanjeto da bide vo tripati pogolem interval od edna standardna
devijacija, t.e. −3σ ≤ x−x ≤ +3σ, treba da presmetame P (x, |x − x| <
3 · σ) i toa se pravi na ist naqin kako prethodno, t.e.
P (x, |x − x| < 3σ) = 2
3∫
0
2√2π
et2
2 dt = 2Φ(3) = 0.9973 = 99.7%.
Znaqi, skoro site frekvencii, 99,7% se vo ovoj interval, a
Matematika II (za studenti po biologija) 241
samo 0,3% od niv se nadvor od nego, xto moe da se zanemari i
otfrli.
Ovoj rezutat e mnogu interesen i vaen i za teoriska i za
praktiqna interpretacija i na standardnata devijacija i dava
istaknata uloga pri statistiqkite metodi.
Da go razgledame primerot od prethodnata toqka: bioloxki
kolektiv se luge mereni po nivnata visina x. Ima luge so visina
pogolema od proseqnata, i ima luge so visina pomala od pro-
seqnata. Xto poveke se oddalequvame od prosekot, ke bide pomal
brojot na luge so mala visina, a isto taka ke bide pomal brojot
na visoki luge. Soodnosot megu x, standardnata devijacija σ i
procentot na verojatnosta na naoganjeto na taa visina e daden so
prethodnite teoremi.
Konvencija. Voobiqaeno e da se uvauvaat samo otstapuvanja-
ta koi se vo granicite megu −2σ i +2σ, bidejki niv gi ima najveke,
95%, a onie otstapuvanja koi gi nadminuvaat ovie granici, ne se
smetaat za vani (niv gi imame mnogu malku, i bidejki verojat-
nosta na ovie sluqai e se na se najveke 5%).
Znaqi, za da bide
−2σ ≤ x − x ≤ 2σ
t. e. za
x − 2σ ≤ x ≤ x + 2σ
vai
P (x, |x − x| ≤ 2σ) = 95%
i
P (x, |x − x| ≤ 2σ) = P (x, |x − x| ≥ 2σ) = 5%.
Primer. Da go zavrxime primerot so n = 28595 regruti.
Naogame na poznat naqin
242 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
x = 171cm σ = 6, 82
Vo intervalot
x − σ ≤ x ≤ x + σ
t. e. megu
171 − 6, 82 ≤ x ≤ 171 + 6, 82
164, 18cm ≤ x ≤ 177, 82cm
se naogaat 68% od regrutite, t. e.
68100
· 28595 = 19444 regruti.
Vo intervalot
x − 2σ ≤ x ≤ x + 2σ
t. e.
171 − 2 · 6, 82 ≤ x ≤ 171 + 2 · 6, 82
t. e.
157, 36cm ≤ x ≤ 184, 64cm
se naogaat 95% od regrutite t. e.
95100
· 18595 = 27165 regruti.
Site visini x pomali od 157,36 i pogolemi od 184,64 se poma-
lku od 5%. I navistina, od tabelata gledame deka takvi sluqai
ima 1218 xto e pomalo od 5%.
Vo intervalot
x − 3σ ≤ x ≤ x + 3σ
t. e. vo
171 − 3 · 6, 82 ≤ x ≤ 171 + 3 · 6, 82
t. e. megu
150, 54cm ≤ x ≤ 191, 46cm
se skoro site frekvencii.
Definicija. Intervalot merni vrednosti na x:
Matematika II (za studenti po biologija) 243
−2σ ≤ x − x ≤ 2σ
t. e.
x − 2σ ≤ x ≤ x + 2σ
se vika interval na doverba (ili interval na sigurnost) bidejki
95% od frekvenciite se odnesuvaat do vrednostite na karakter-
istikite od ovoj interval, a samo 5% od frekvenciite se nadvor
od ovoj interval.
Grafiqki, toa izgleda vaka
Za vanosta na intervalot na doverbata pri tolerantnosta
na grexkata.
Znaqenjeto na standardnata devijacija pri merenjata bilo ot-
krieno i dokaano od golemiot matematiqar Karl Fridrih Gaus
(1777-1885). Toa bilo pronajdeno pri prouquvanje na grexkite
pri merenjeto. Potoqno, celata teorija xto pogore ja objasnivme
bila otkriena na sledniot naqin.
Ako vrxime nekoi merenja, pri tie merenja redovno ke ima
nekoi grexki. Priqinata za niv e od subjektivna priroda, bidejki
onoj koj vrxi merenje ne moe istoto da go sproveduva sosema
toqno, poradi netoqnosta na instrumentot, kako i poradi netoqno-
sta na otqituvanjeto. Zatoa zadolitelno pri sekoe merenje ke
ima grexki. Pri toa zabeleano e deka malite grexki |x − x| se
244 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
i najqesti, a golemite grexki |x− x| se relativno retki i spored
toa imaat mala verojatnost.
Se pokauva deka za verojatnosta na grexkata pri merenjata
vai istata ovaa verojatnost dobiena pri normalnata raspre-
delba. Ako pri nekoe merenje znaeme prosek, togax moeme da
procenime dali nekoi grexki pri merenjata se vani ili ne se.
Ako za nekoe merenje najdeme deka grexkata se naoga vnatre vo
granicite [x − 2σ, x + 2σ] na dvojnata standardna devijacija okolu
x, togax taa grexka moe da se tolerira. Nasproti toa, ako pri
nekoe merenje nekoja grexka e pogolema od 2σ ili eventualno od
3σ, toa merenje ne se uvauva, smetajki deka takva pojava e mnogu
malku verojatna i se raboti za otstapuvanje koe mnogu retko nas-
tanuva.
Merenjata pri koi grexkite se naogaat vnatre vo granicite od
dve standardni devijacii okolu sredinata gi smetame za dobri,
bidejki za takvi merenja so takvi mali grexki imame verojatnost
od 95%. Samo 5% od grexkite se pogolemi i se nepoelni.
Taka, istite termini na doverlivnosta od teorijata na nor-
malnata raspredelba na frekvenciite vo bioloxkite problemi
vaat i vo teorijata na grexkite na merenjata.
Ova e edna verifikacija na univerzalnosta na matematiqkite
postapki i zakoni.
4.15 Standardna grexka i metod na odbrani primeroci
Mnoestvata vo biologijata se mnogubrojni, no sepak koneqni.
Na primer:
- broj na site kletki vo edno tkivo
- broj na site lisja na edno drvo
- broj na site mikroorganizmi vo edna populacija na edinica
volumen.
Obiqno e
Matematika II (za studenti po biologija) 245
N >> 103
xto e golema brojnost za manipulativna i tehniqka obrabotka.
Zatoa nie ne sme vo monost da go obrabotime celoto toa mno-
estvo elementi, pa sme prinudeni da obrabotime eden odbran
primerok, eden mal izbor od golemiot broj N , edna mostra, eden
egzemplar, izbirajki gi elementite na eden sluqaen naqin. Mora-
me da se sluime so metod na primeroci (odbrani primeroci).
Osven problemot so golemata brojnost, nie ne moeme i od
drugi priqini da rabotime so celoto mnoestvo XN-statisti-
qkata masa, bidejki toa qestopati mora da se unixti, na primer,
cela rezerva eksperimentalni ivotni samo za eden eksperiment.
Taka, se sooquvame so samata suxtina na statistikata.
Primer 1. Pri popisot, 22 milioni Romanci se popixuvaat
samo za osnovni podatoci, iskaani so usmena izjava. Bi bilo
mnogu skapo vo popisot da se zemaat i drugi egzaktni podatoci,
na primer antropoloxki meri: visinata, teinata i drugi de-
tali i tie da se obrabotuvaat. Zatoa od tie 22 milioni Romanci
se izbiraat 10 000 od razni mesta vo site regioni od godixni
vozrasti vo interval 2-3 godini, i tie se merat. Znaqi, odbran
primerok se tie 10000.
Taka sega se postavuva slednoto:
Osnovno praxanje. Dali od pomaloto mnoestvo egzemplari
moe de se zakluqi deka i pogolemata statistiqka masa se odne-
suva na ist naqin. Dali prosekot na pomaloto mnoestvo e ist so
prosekot na celata masa, i dali pravilnostite vo raspredelbata
vo maloto mnoestvo se isti i se zapazuvaat kako pravilnosti i
zakoni vo celata statistiqka masa.
Ova e centralen problem na biometrijata i na statistikata.
Odgovorot na ova praxanje, ako e pozitiven, dava pravo na
eksperiment, na donesuvanje zakluqoci od eksperiment, na sigur-
nost. Toa dava pravo na indukcija, na premin od maloto mno-
estvo kon pogolemoto.
Odgovor na ova praxanje, dava biometrijata (t. e. statis-
246 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
tikata) i toj e negativen. Pri toa, osnovna uloga igra vidot na
raspredelbata i standardnata devijacija.
Odgovorot se dobiva na sledniot naqin:
Neka statistiqkata masa bide sostavena od golem broj prime-
roci:
X1, X2, ..., Xn, Xn+1, ..., Xp, ..., XN
Praktiqno, za nas e
N = ∞
bidejki nikogax site Xk ne ke moeme da gi ”dopreme”, podredime,
izmerime. Na nekoj sluqaen naqin izbirame od ovaa masa nekoe
podmnoestvo
X2, X5, ..., Xk, ..., Xm
koe sodri n elementi vo nekoj redosled. Ako prenumerirame, go
dobivame sledniot egzemplar:
x1, x2, ..., xn so brojnost n << N.
Taka imame dve mnoestva
xn ⊂ XN .
koi imaat svoi aritmetiqki sredini i standardni devijacii,
x, σx i soodvetno X, Σx.
Nie moeme lesno da ja presmetame sredinata x i standard-
nata devijacija σx na izbraniot primerok, bidejki n e koneqen; no
ne moeme da gi najdeme X i ΣX , bidejki N e ogromen ili ne e
koneqen, pa aritmetiqkite operacii vo sumite na X i ΣX ne moat
da se izvrxat. Zatoa se praxuvame moe li (x, σx) da se upotre-
buvat za prognoza na(X, ΣX
)i ima li vrska megu ovie osnovni
parametri. Dali na primer vai
Matematika II (za studenti po biologija) 247
X = x? i ΣX = σx?
Odgovorot na ova praxanje go dava statistikata, so slednata
Teorema. Pri statistiqki soodnosi koga od edna statistiqka
masa se oddeluva podmnoestvoto
xn ⊂ XN
kade vladee normalna raspredelba i kade n << N moe da se zeme
priblino
X = x i ΣX = σx.
Definicija. Brojot
σn =σx√n
kade σx e standardna devijacija na primerokot, a n e brojnosta na
primerokot, se vika standardna grexka na procenkata, i istiot
ja pretstavuva najgolemata grexka na priblinoto ravenstvo
X ≈ x
t. e. σn e edna gorna granica za razlikata megu dvete aritmetiqki
sredini
∣∣X − x
∣∣ ≤ σn.
So ovie parametri x i σx moe da se izvrxi i procenka na
intervalot na signifikantnosta na golemata statistiqka masa so
normalna raspredelba, imeno
X − 2ΣX ≤ X ≤ X + 2ΣX
Ako zamenime X = x, Σx = σx, imame
x − 2σx < X < x + 2σx
i ja dobivame prognozata:
248 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
95% od statistiqkata masa X se vo intervalot
(x − 2σx, x + 2σx)
i samo 5% elementi se nadvor od ovoj interval.
Sredinata X (koja xto ne moe da ja presmetame) na celoto
statistiqko mnoestvo se dobiva so pomox na dobienata sredina
na primerokot x so grexka 2σn i taa se naoga na intervalot
x− 2σn ≤ X ≤ x + 2σn
t. e.
x − 2σx√n
≤ X ≤ x +2σx√
n
t. e.
X ∈[
x− 2σx√n
, x +2σx√
n
]
.
Primer 2. Prognoza na starosta na populacijata. Izbrani se
sluqajno 130 rodilki koi ragaat za prvpat, i nivnata starost e
broena vo momentot na raganjeto na prvoto dete. Najdena e sred-
nata starost na rodilkitte x = 21, 8 godini. Standardnata de-
vijacija na tie 130 rodilki e presmetana i iznesuva 4,8 godini.
Kolkava e proseqnata starost na site eni rodilki od taa popu-
lacija, od koja e izbran primerokot, vo moment na raganjeto na
prvoto dete?
Rexenie. Imame
n = 130, x = 21, 8; σx = 4, 8.
Ottuka naogame
σn = 4,8√130
= 0, 42; 2σn = 0, 84.
Pa intervalot na prosekot na prvorodilkite e
21, 8 − 2σn ≤ X ≤ 21, 8 + 2σn
20, 96god. ≤ X ≤ 22, 64 god.
Matematika II (za studenti po biologija) 249
Znaqi, ako vo celata populacija X ima na primer 100 000
rodilki, nivnata proseqna starost pri raganjeto na prvoto dete
ke bide megu 20,9 i 22,6 godini.
Primer 3. Problem na insekti koi texko se lovat. Se prouqu-
va mnoestvo od golem broj insekti, no koi mnogu texko se lovat.
Uloveni se samo 25 od tie insekti so cel da se meri nivnata
dolina. Taka se izvrxeni 25 merenja. Dolinite se grupirani
po klasi so opredeleni frekvencii, so qekor od 0, 3mm. Taka e
dobiena slednata tabela:
ix
tf
ix x-
2
ix x-
2
i if x x-
3,4 mm 2 - 0,6 0,36 0,72
3,7 8 - 0,3 0,09 0,72
4,0 5 0,0 0,00 0,00
4,3 8 + 0,3 0,09 0,72
4,6 mm 2 + 0,6 0,36 0,72
4x = 25n = 0i
xD =å / ( )2
2,88i if xD =
=å
Se postavuva osnovnoto praxanje, moe li ovoj egzemplar od 25
edinki da bide signifikaten i da ja zamenuva celata ovaa ogromna
populacija insekti?
Ova bi moelo da bide suxtinsko praxanje pri ispituvanje na
tie vidovi.
Naogame: x = 4, 0 ; σx = 0, 3394; C.V. = 0, 085; C.V.% = 8, 5% i
standardnata grexka na procenkata iznesuva
σn =σx√n
=0, 34√
25=
0, 34
5= 0, 07
Intervalot na proseqnata dolina e
250 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
x− 2σn ≤ X ≤ x + 2σn
4, 0 − 0, 14 ≤ X ≤ 4, 0 + 0, 14
3, 86 mm ≤ X ≤ 4, 14 mm
t. e. moe da se oqekuva 95% od site insekti od ovoj vid da
imaat sredni dolini koi se vo ovoj interval, a samo 5% moat
da bidat so sredni dolini nadvor od ovoj interval.
Primer 4. Procenka na kvalitetot na stokata. Pret-
prijatie naraquva volneni vlakna so debelina od 28 mikroni, vo
golemo koliqestvo. Koga stokata e dojdena vo bali, treba da se
proveri dali taa e so toj baran kvalitet, t. e. so debelina od 28
mikroni. Toa moe da se konstatira samo so metodot na sluqajno
odbrani primeroci.
Vrxeni se 110 merenja na debelinata na vlaknata sluqajno
izvleqeni od sekoja bala, na razni mesta od balata, sluqajno
izbrani (xtih-probi). Taka e najdena aritmetiqkata sredina na
egzemplarot x = 27, 6 mikroni, i e presmetana standardnata de-
vijacija koja iznesuva 3 mikroni. Dali moe da se pretpostavi
deka otstapuvanjeto od 27,6 mikroni do 28 mikroni e sluqajno t.
e. vo ramkite na dozvolenoto; ili otstapuvanjeto ne moe da se
dozvoli, i stokata ne e kvalitetna ?
Odgovor. n = 110, X = 28µ ; σx = 3µ, x = 27, 6µ
σn =σx√n
=3√110
= 0, 286µ
Intervalot na sredinata na populacijata e
X − 2σn ≤ x ≤ X + 2σn
28 − 0, 572 ≤ x ≤ 28 + 0, 572
Matematika II (za studenti po biologija) 251
27, 428 ≤ x ≤ 28, 572
Bidejki e izmerena sredna debelina x = 27, 60 i taa e megu ovie
vrednosti, t.e.
27, 428 < 27, 60 < 28, 572
i bidejki razlikata megu dvete sredini X i x
∣∣X − x
∣∣ = 28 − 27, 6 = 0, 4 < 2σn = 0, 572
e pomala od dvojna standardna grexka na procenkata toa znaqi
deka srednoto vlakno e vo intervalot na doverlivosta, xto znaqi
deka stokata e ispravna, i moe da se primi. Otstapuvanjata se
sluqajni i se dozvoleni.
4.16 Poim za korelacija
Vo biologijata nixto ne se sluquva nezavisno edno od drugo.
Sekoja pojava ima svoj priqinitel, i svoi posledici. Nema izd-
voeni, izolirani, nezavisni pojavi. Ako se razgleduva i meri
nekoja karakteristika X, togax sekogax postoi barem uxte edna
karakteristika Y , na nekoj naqin povrzana so X. A gi ima obiqno
poveke, koi se vo pogolema ili pomala merka povrzani so X. Vakvi
vrski i zavisnosti megu X i Y vo matematikata gi vikame fun-
kcii. Vo biologijata gi ima tolku mnogu, xto ne moat da bidat
site opixani. Nie vo knigava veke imavme mnogu rabota tokmu so
funkciite.
Primer. Pri sekoe merenje karakteristikata e pridruena
od svojata frekvencija. Taka ja imame slednata dobro poznata
tabela:
252 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Taa opredeluva tabelarno edna funkcija y = f(x) t. e. zavis-
nosti megu karakteristiki i nivnite frekvencii. Vidovme deka
ovaa funkcija vo sluqaj na normalnata raspredelba moe mnogu
toqno da se prikae i analitiqki, so formula, preku Gausovata
normalna funkcija na raspredelbata:
y = f(x) =n
σ√
2πe
−(x−x)2
2σ2
Taka imame dva oblika za edna ista funckija. Prviot oblik-
tabelaren, e dobien od merenjeto, od eksperimentot, na najneposre-
den i najpriroden pat. No, qestopati toj ne ja pokauva dovolno
jasno zavisnosta, t.e. taa treba da se otkriva so analiza. Vto-
riot oblik - formulata, e dobien so matematiqka generalizacija,
niz razgleduvanje na golem broj vakvi pojavi.
Edna od zadaqite na matematikata i statistikata e da otkriva
zakonitosti ako se raspolaga so podatoci dobieni od nekoj eksperi-
ment. Po monost, poelno e toj zakon da bide daden vo kratka
forma, kakvi xto se obiqno golemite fiziqki i hemiski zakoni.
No toa ne e sekogax mono, bidejki za biologijata se karak-
teristiqni vrskite megu poveke golemini, koi se texki za matema-
tiqko opixuvanje. Pritoa, edna golemina zavisi od poveke od niv,
ili od site, i istovremeno i site zavisat megu sebe. Taka imame
sekogax vsuxnost funkcii od poveke promenlivi.
Primer. Vo toqkata za normalna raspredelba imavme tabela
vo koja visinite na lugeto se vo vrska so nivnata frekvencija
f(x), i toa bexe edna tipiqna funkcija od edna nezavisna promen-
liva od gorniot oblik (tabelaren i analitiqki). No, istite luge
imaat i teina, a od iskustvo znaeme deka povisokite luge imaat
pogolema teina t. e. teinata e pravoproporcionalna so visi-
nata. Ovde terminot proporcionalnost ne e vo bukvalna smisla,
no treba da se sfati samo naqelno, vo masa pojavi i podatoci.
Tokmu ovoj vid porporcionalnost vo opxta smisla e najvaen
vid na funkcionalna zavisnost vo biologijata, koja se vika ko-
relacija. Taa moe matematiqki da se formulira na sledniot
naqin:
Matematika II (za studenti po biologija) 253
Neka e x visinata na lugeto vo cm, i neka e f(x) frekvencijata
na lugeto spored visinite x. Neka e y teinata na lugeto i neka e
F (y) frekvencija na lugeto spored nivnata teina, pri xto f i F ,
vo opxt sluqaj, se sosema razliqni funkcii. Se postavuva sega
osnovno praxanje, kakva vrska postoi megu visinata x, teinata
y, frekvenciite f(x) i F (y), i ima li edna zaedniqka frekvencija
i po visina i po teina t. e. funkcija od dve nezavisni promen-
livi (x, y). Na sliqen naqin moat vo biologijata da se otvorat
praxanja vo vrska vo funkciite od poveke promenlivi: x, y, z, ..., t:
W = W (x, y, z, ..., t)
Nie na poqetokot ke se zadrime samo na funkcii od dve neza-
visni promenlivi, t. e. ke razgledame zaedniqki frekvencii
f(x, y) od dve mereni karakteristiki, koi ne se sosema nezavisni
vo matematiqka smisla.
So nekoi merenja na visinite i teinite konstatirani se sled-
nive podatoci:
Ako ja razgledame tabelata, moeme da go konstatirame sled-
noto:
254 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Prvo, karakteristikite x i y se odnesuvaat do klasi rezultati.
Na primer, visinata x = 157, 5cm znaqi vo taa klasa site visini
x se megu 155, 5 cm i 159, 5cm;
Sliqno, x = 161, 5 znaqi ova x da gi opfaka i gi zamenuva site
visini megu 159, 5 i 163,5:
x = 161, 5 ⇔ 159, 5 ≤ x ≤ 163, 5cm
Sliqno, y = 54kg znaqi:
51, 5kg ≤ y ≤ 56, 5kg itn.
Vtoro, normalnata distribucija na frekvenciite, na koja sme
sviknale, ima samo po horizontala, t. e. za edna teina y ima
normalna distribucija na x. No za edna visina x ima razliqni
teini y qija raspredelba na frekvenciite ne e od prouqeniot
tip. Ako formirame dvojki:
(visina, teina)= (x, y)
i barame frekvencija vo odnos na par podatoci, ke dobieme tret
odgovor. Gledame deka praxanjeto sega ne e taka ednostavno: i
ima i nema normalna distribucija. Osven toa, moeme da barame
posredno, preku frekvenciite, i vrska megu x i y. Se praxuvame,
moe li od tabelata da se zakluqi koja pravilnost postoi megu
x i y, bidejki nie od prosto iskustvo znaeme deka takva mora da
postoi. No, da se odgovori na toa ne e taka ednostavno: na edna
visina i odgovara ne edna teina, tuku poveke, i obratno. Zatoa
nie nemame izbor tuku na sekoja visina da i opredelime proseqna
teina, so pomox na aritmetiqka sredina. Na primer, ako na
visinata x = 157, 5cm i odgovaraat
teini y ∈ 54, 59, 64so frekvencii f(y) ∈ 9, 10, 3od niv ja dobivame proseqnata teina
y =9 · 54 + 10 · 59 + 3 · 64
22= 57, 64.
Matematika II (za studenti po biologija) 255
Na vakov naqin, na sekoja poedineqna visina x opredeluvame
proseqna teina
Ako formirame toqki so koordinati (x, y) i gi pretstavime
grafiqki dobivame eden raspored na toqki koj e skoro linearen,
t. e. toqkite se rasporedeni skoro po edna prava.
Zabeleuvame deka vrskata megu visinite i soodvetnite pro-
seqni teini za sekoja visina e skoro linearna xto od tabelata
ne moeme vednax da uvidime. Ovoj grafik znaqi deka sepak pos-
toi pravilnost megu goleminite x i y i nadvor od normalnata
raspredelba.
Na ist naqin moeme da barame vrska, obratno megu teinata
y i visinata x. Za edna teina y imame poveke visini. Na primer
za teinata y = 54kg imame soodvetni
visini x ∈ 157, 5; 161, 5; 165, 5; 169, 5; 173, 5
256 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
so frekvencii f(x) ∈ 9; 23; 13; 4; 1pa nivnata aritmetiqka sredina e proseqnata visina:
x1 =9 · 157, 5 + 23 · 161, 5 + 13 · 165, 5 + 4 · 169, 5 + 1 · 173, 5
9 + 23 + 13 + 4 + 1= 162, 70.
Ako na ovoj naqin za sekoja edna teina presmetame sredni
proseci na visinite, imame dvojni vrednosti:
Ako formirame toqki so koordinati (x, y), i gi pretstavime
grafiqki dobivame eden raspored na toqki koj e skoro linearen,
t. e. toqkite se rasporedeni skoro po edna prava.
Ako sega posebno pretstavime sekoj par mereni vrednosti:
(visina, teina)= (xkg, ycm)
Matematika II (za studenti po biologija) 257
kako edna toqka, i toa go napravime so sekoja dvojka, bez da barame
sredini, ke dobieme eden oblak toqki, ograniqen so dimenziite na
tabelata.
Ako na ovoj ist koordinaten sistem gi naneseme istite dobi-
eni pravi, zaradi sporedba tie ke bidat razliqni. Toa znaqi deka
vrskata megu xi i soodvetni sredini yi i ne e ista so vrskata megu
xi i yi. Znaqi, edno nexto e funkcijata megu teinata na teloto
i soodvetnite visini, a drugo nexto e vrskata megu visinata na
teloto i soodvetnite teini. Ovaa pojava e karakteristiqna za
takanareqenite stohastiqki procesi. Vo niv vrskite xi ↔ yi se
vikaat korelacii, ili korelacioni vrski, i se osnovni matemati-
qki tipovi funkcii vo biologijata. Tie zasluuvaat popodrobno
da gi objasnime.
4.17 Stohastiqki procesi. Linearna korelacija
Vo egzaktnata matematika, pri funkciite opredeli so stro-
giot znak =, so strogata formula y = f(x) e opredeleno edno ge-
ometrisko mesto na toqki (x, y), vo koe x e prva koordinata, a y e
vtorata. Toa e nekoja linija (kriva ili prava L) na koja toqno
leat site toqki (x, y). Ako se iskoristi inverznata funkcija,
koja se dobiva koga ravenstvoto y = f(x) ke se rexi po x : x = x(y)
258 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
i vaka sega se formiraat parovi toqki so koordinati (y, x(y)),
nivnoto geometrisko mesto ke bide istata taa kriva linija L. Na
primer, ako funkcijata e parabola y = x2, inverznata funkcija ke
bide x =√
y a toa e istata taa parabola, samo sega prvata koor-
dinata neka e y, a vtorata x(y), taka xto parabolata ima druga
poloba. Vo ovoj sluqaj imame direktna funkcija y(x) i inverzna
funkcija x(y), koi ne gi smetame za razliqni, bidejki se zadadeni
so istata formula.
Ako vo bioloxkite proquvanja merime nekoi zavisnosti, naj-
qesto dobivame tabeli so frekvencii kako vo gorniot primer. Ako
sekoj meren par vrednosti (xi, yj) go naneseme kako toqka vo koor-
dinatniot sistem, ke go dobieme veke spomnatiot oblak od toqki
vo XOY ramninata. Toa e edno koneqno, ograniqeno i diskretno
mnoestvo. Toa mnoestvo prikauva (tabelarno i grafiqki)
edna ”funkcija”, isto kako funkciite od strogata matematika
opredeleni so strogoto ravenstvo. Ovie ”funkcii” se oqigledno
eden sosema nov vid funkcii, edni nestrogo matematiqki opre-
deleni funkcii so mnoestvo diskretni (oddelni) podatoci, koi
gi vikame stohastiqki funkcii. Jasno e deka postoi bioloxka
vrska megu vrednostite x i y, no toa ne moe taka prosto mate-
matiqki da se iskae. Bioloxki proces koj doveduva do pojava,
vrska i promena na zaemno povrzanite veliqini, matematiqki nosi
ime stohastiqki proces, a samata vrska x ↔ y stohastiqka funk-
cija. (Zborot ”stohastiqki” doaga od eden grqki zbor koj znaqi
nasetuvam). Vo gornoto mnoestvo od toqki (xi, yj) (oblak, masa)
se oddeluvaat kako posebni funkcii vrskite megu xi i soodvetni
sredini yi i vrskite megu sredinite xi i soodvetni yi. Toa se
pravite L1(xi, yi) i L2(xi, yi). Tie so svojata razliqnost oznaqu-
vaat deka edna e vrskata megu toqkite (xi, yi), a druga megu toqkite
(xi, yi). Gledame deka pri stohastiqkite procesi direktnata i in-
verznata funkcija bitno se razliqni, i poznavanjeto na ednata ne
znaqi poznavanje i na vtorata; tuku i dvete moat da se osoznaat
samo ako se znae celiot stohastiqki proces. Gledame deka sto-
hastiqka vrska ne e isto xto i funkcionalen odnos od egzaktnata
Matematika II (za studenti po biologija) 259
matematika, no sepak toa e jasno odbeleana vrska, vo ovoj sluqaj
so pomox na dve pravi. Ovaa stohastiqka vrska se vika uxte i
korelacija (toa e latinski zbor xto znaqi vrska, povrzuvanje).
Vo naxiot primer imame korelacija megu visini x i soodvetni
teini y, i druga korelacija megu teini y i soodvetni visini
x. Ako taa korelacija se opredeluva so dve pravi
L1 : (xi, yi) ↔ (xi, yi) : L2
taa se vika linearna korelacija. No ne sekogax grupiranjeto
po sredini dava zadolitelno linearni vrski. Moni se i qesti
se i nelinearnite vrski. Togax velime deka imame rabota so ne-
linearna ili krivoliniska korelacija. Vo biologijata najqesta
e linearna korelacija, i zatoa nie ovde ke razgleduvame samo li-
nearna korelacija.
Primerot so teini i visini ke go formulirame matematiqki
vo opxt sluqaj:
Neka imame kolektiv vo koj merime dve razni obeleja x i y,
megusebno zavisni. Na edno odbrano xi, i = 1, 2, . . . , k mu pripagaat
poveke razni yij :
xi ↔ yij , i = 1, 2, . . . , k; j = 1, 2, . . . , l
ili
yi1, yi2, yi3, . . . , yil
pri xto sekoj yij
se javuva so nekoja svoja frekvencija fij , sood-
vetno, t.e.
fi1, fi2, fi3 , . . . fil.
Ako sega presmetame aritmetiqka sredina na site ovie yij koi
soodvetuvaat na edno izbrano xi imame
yi =
l∑
j=1
yij · fij
li= Yi, li =
l∑
j=1
fij
260 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
i stavime ednoznaqna korespondencija
xi so soodvetno Yi.
Dobivame geometrisko mesto na toqki koe go narekovme kriva
na korelacija, no koe se vika i kriva na regresija, opredelena so
toqkite
Mi(xi, Yi), i = 1, 2, ..., k
(vo opxt sluqaj toa e nelinearna regresija). Vo naxiot primer
toa e pravata L1. Sliqno, neka na edno odbrano yj, j = 1, 2, 3, . . . , l
mu pripagaat poveke razni xji
yj ↔ xji, j = 1, 2, . . . , l, i = 1, 2, . . . , k
ili
xj1, xj2, xj3, . . . , xjk
pri xto sekoj xjise javuva so nekoja svoja frekvencija fji
, sood-
vetno, t.e.
fj1, fj2 , fj3, . . . , fjk.
Ako pak sega presmetame aritmetiqka sredina na ovie xji, imame
xj =
k∑
s=1
fjs · xjs
kj= Xj , kj =
k∑
s=1
fis
i dobienata sredina Xj ja stavime vo korespondencija so yj, pa
imame ednoznaqna vrska
Xj ↔ yj
xto ja narekovme korelacija, a geometriskoto mesto opredleno so
novite toqki
Nj(Xj , yj), j = 1, 2, ..., l
Matematika II (za studenti po biologija) 261
go narekuvame kriva na regresija. Vo naxiot primer toa e vtorata
prava L2. Vidovme i praktiqno deka geometriskite mesta oprede-
leni so Mi i Nj ne se isti, i deka e komplicirano da se bara
nivnata priqinska vrska.
Istrauvanjeto na korelacionite vrski e edno od osnovnite
matematiqki praxanja vo biometrijata.
Primer. Zabeleana e vrskata megu pojavata na tumorni kletki
na edno rastenie, i karakeristiqni crveni fleki na stebloto od
drvoto na istoto rastenie. Neka x bide zabeleuvanje na simp-
tomite na kancer na eden primerok rastenie, a y pojava na ci-
janizirani fleki vrz stebloto (0−znaqi otsustvo na simptomite,
1−pojava na simptomite vo osnovata na stebloto, 2−pojava na
simptomite podolu od polovinata na stebloto, 3−pojava na simp-
tomite nad polovinata ili po celoto steblo). Dobieni se sled-
nite podatoci od sluqajno izbrani n = 100 stebla:
Ako gi podredime ovie rezultati po frekvencii na otsustvo na
pojavata, so slabi ili silni simptomi, dobivame:
262 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Da se najdat pravite L1 i L2 na ovaa korelacija.
Zadaqa. Izmerena e dolinata na najgolemiot list na ste-
bloto, koja xto e vo korelacija so visinata na rastenieto.
Da se opredelat korelacionite zakoni (x, y) = L1 i (x, y) = L2.
4.18 Momenti
Stohastiqkite procesi i krivite na regresija vo biometrijata
se prouquvaat so pomox na momenti. Kako xto znaeme, momenti se
vidovi sumi od proizvodi koi se formiraat na sledniot naqin:
Ako imame nekoi obeleja (brojni karakteristiki):
xi yj
i nivni sredini
x y,
Matematika II (za studenti po biologija) 263
togax otstapuvanja od sredinata se
xi − x yj − y.
Ako ovie ravenki gi stepenuvame soodvetno so r, s dobivame
(xi − x)r, (yj − y)s r, s-prirodni broevi
i ako formirame dvojki (xi , yj), frekvencijata na ovie dvojki e
fij = fij (xi , yj) .
Definicija. Moment od red r, s e zbir od proizvodi od stepeni
na otstapuvanjata pomnoen so soodvetni frekvencii, i podelen
so vkupnata brojnost:
µr,s =1
N
l∑
j=1
k∑
i=1
fij(xi − x)r(yj − y)s
Moment e spored toa eden vid proseqno otstapuvanje od sredi-
nata od red r, s.
(Imeto mu e dadeno po analogija so mehanikata, kade moment
na silata e proizvod megu silata i rastojanieto). Ovie momenti
µr,s se mnogu vani poimi vo biometrijata i statistikata, i ke
vidime deka skoro site dosegaxni biometriski pokazateli se eden
vid momenti.
No pred se treba da go objasnime simbolot za operacija dvojna
suma.
Simbolot
l∑
j=1
k∑
i=1
xiyj
znaqi deka treba da zememe edno i, na primer i = 1, i x1 da go
mnoime so site moni yj, j = 1, 2, 3, ..., l, i da gi sobereme ovie
proizvodi, t.e.
x1y1 + x1y2 + x1y3 + ... + x1yl = x1(y1 + ... + yl).
264 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Potoa da zememe i = 2 i x2 da go pomnoime so site yj, t.e.
x2y1 + x2y2 + x2y3 + ... + x2yl = x2(y1 + y2 + ... + yl)
itn, se do kraj, pa za i = k, xk go mnoime so site yj, t.e.
xky1 + xky2 + xky3 + ... + xkyl = xk(y1 + y2 + ... + yl)
i na kraj site ovie sumi gi sobirame. Taka dobivame
l∑
j=1
k∑
i=1
xiyj = x1
l∑
j=1
yj + x2
l∑
j=1
yj + ... + xk
l∑
j=1
yj =
= (x1 + x2 + ... + xk)l∑
j=1
yj =
= x1y1 + ... + x1yl + ... + x2yl + ... + xky1 + xky2 + ... + xkyl
xto znaqi deka dvojnata suma go sodri zbirot od semonite pro-
izvodi xiyj.
Primer 1.
5∑
n=1
3n(5 − n) = 31 (5 − 1) + 32(5 − 2) + 33(5 − 3) + 34(5 − 4)+35(5 − 5) =
= 3 · 4 + 9 · 3 + 27 · 2 + 81 · 1 + 243 · 0 = 12 + 27 + 54 + 81 = 174.
Primer 2.
4∑
j=1
3∑
i=1
2i3j = 21(31 + 32 + 33 + 34) + 22(31 + 32 + 33 + 34)+
+23(31 + 32 + 33 + 34) = (2 + 4 + 8)(3 + 9 + 27 + 81) = 14 · 120 = 1680.
Vo ovie primeri dvojnata suma se raspaga na proizvod od obiqni
sumi. Vo opxt sluqaj, koga imame koeficienti koi zavisat od i
i j bez da se vid na nezavisni proizvodi, kako vo sluqajot na
pogornite frekvencii, moment vo vid na dvojna suma se razviva
na sledniot naqin:
Zemame edno i : i = 1 i taka imame prv mnoitel:
Matematika II (za studenti po biologija) 265
(x1 − x)r pri postojano r
i ova go mnoime so site
(y1 − y)s, (y2 − y)s, ..., (yl − y)s
so soodvetni frekvencii
f11 f12, ..., f1l
i ovie proizvodi gi sobirame. Taka dobivame suma
(x1 − x)r [f11(y1 − y)s + f12(y2 − y)s + ... + f1l(yl − y)s]
Potoa zemame vtoro i : i = 2, i qlen
(x2 − x)r
i mnoime soodvetno so site
(y1 − y)s, (y2 − y)s, ..., (yl − y)s
qii frekvencii se
f21, f22, ..., f2l.
Taka dobivame vtora suma
(x2 − x)r [f21(y1 − y)s + f22(y2 − y)s + ... + f2l(yl − y)s]
itn.
Vaka odime do kraj: poslednoto i = k dava qlen
(xk − x)r
koj go mnoime po red so site
(y1 − y)s, (y2 − y)s, ...., (yl − y)s
taka xto frekvenciite na ovie proizvodi se
fk1, fk3 ..., fkl
266 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
i dobivame i k-ta po red suma
(xk − x)r [fk1(y1 − y)s + fk2(y2 − y)s + .... + fkl(yl − y)s] .
Taka momentot glasi
µr,s =1
N
(x1 − x)r ·l∑
j=1
f1j(yj − y)s+
+(x2 − x)r ·l∑
j=1
f2j(yj − y)s+
............................................
+(xk − x)r ·l∑
j=1
fkj(yj − y)s
Primer 4. Ako imame korelacija
kade sekoj xi e vo relacija so sekoj yj, i = 1, 2, 3; j = 1, 2, 3, 4;
imame pojava na parovi so soodvetni frekvencii:
Ako se x i y aritmetiqki sredini od podatocite xi i yj momentot,
pri N =4∑
j=1
3∑
i=1
fij, e
Matematika II (za studenti po biologija) 267
µr,s = 1N
4∑
j=1
3∑
i=1
fij(xi − x)r(yj − y)s =
= 1N(x1 − x)r[f11(y1 − y)s + f12(y2 − y)s + f13(y3 − y)s + f14(y4 − y)s]+
+(x2 − x)r[f21(y1 − y)s + f22(y2 − y)s + f23(y3 − y)s + f24(y4 − y)s]+
+(x3 − x)r[f31(y1 − y)s + f32(y2 − y)s + f33(y3 − y)s + f34(y4 − y)s] .
Vo prvo vreme vo biometrijata se raboti samo so najobiqni
momenti. Toa se takanareqenite (za mali vrednosti na r,s)
Osnovni momenti:
1. Neka e r = 1,s = 0. Dobivame
µ1,0 = 1N
l∑
j=1
k∑
i=1
fij(xi − x)1(yj − y)0 =
= 1N
k∑
i=1
fi(xi − x)1 = 1N
k∑
i=1
(∆xi) = 0
t. e. momentot µ1,0 e zbir na site otstapuvanja na podatocite x od
nivnata sredina
2. Neka e r = 0,s = 1. Dobivame
µ0,1 = 1N
l∑
j=1
k∑
i=1
fij(xi − x)0(yj − y)
1=
= 1N
l∑
j=1
fj(yj − y)1 = 1N
l∑
j=1
(∆yj) = 0
t. e. momentot µ0,1 e zbir na site otstapuvanja na y od svojata
sredina y, kojxto teoretski e ramen na nula.
3. Neka r = 2,s = 0. Dobivame
µ2,0 = 1N
l∑
j=1
k∑
i=1
fij(xi − x)2(yj − y)0 =
=1
N
k∑
i=1
fi(xi − x)2 = σ2x
t. e. momentot µ2,0 e standardna devijacija na podatocite na x
dignata na kvadrat.
268 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
4. Neka e r = 0, s = 2. Dobivame
µ0,2 =1
N
l∑
j=1
k∑
i=1
fij(xi − x)0 (yj − y)2 =
=1
N
l∑
j=1
fj(yj − y)2 = σy2
t. e. momentot µ0,2 standardna devijacija na podatocite po y,
dignata na kvadrat.
5. Neka e r = 1, s = 1. Imame
µ1,1 =1
N
l∑
j=1
k∑
i=1
fij(xi − x)1(yj − y)
1
=1
N
l∑
j=1
k∑
i=1
fij (∆xi) (∆yj)
t. e. momentot µ1,1 e zbir od proizvodi od otstapuvanjata ∆xi ·∆yj.
Taka imame
µ2,0 = σx2 ; µ0,2 = σy
2 ; µ1,1 = 1N
∑
i,j
(∆xi) (∆yj) .
4.19 Metod na najmali kvadrati
Opredeluvanje na korelacijata
Neka mnoestvoto karakteristiki X i Y se vo korelacija:
X ↔ Y
Toa znaqi deka sekoj xi e vo korelacija so nekoi golemini
yij;i = 1, 2, . . . , k; j = 1, 2, . . . , l.
Matematika II (za studenti po biologija) 269
Taka imame edno mnoestvo toqki;
Mi (xi, yij) , i = 1, 2, . . . , k; j = 1, 2, . . . , l
koe formira oblak toqki vo ramninata, i koj grafiqki ja pretsta-
vuva gornata korelacija. So cel da ja matematizirame ovaa sto-
hastiqka funkcija, na sekoe edno xi mu pridruuvame sredina Yi
od site soodvetni yij
xi ↔ Yi =1
N
l∑
j=1
fijyij
i taka dobivame geometrisko mesto na toqki, L1 (kriva na regre-
sija) opredelena so toqkite
Mi (xi, Yi)
koe e najqesto prava.
Naxa zadaqa ke bide da ja opredelime ovaa prava L1. Ravenkata
na sekoja prava e
y = ax + b
kade parametrite a i b treba da gi opredelime taka xto toqkite
(xi, Yi) da leat ili na pravata, ili xto e mono poblisku do
pravata. Praktiqno sakame da vai
Yi = axi + b
kade Yi e sredina. No, na edno xi mu korespondiraat poveke sood-
vetni vrednosti yij (korelacioni vrednosti), gi ima l na broj
yi1, yi2, yi3, . . . , yil.
Ovie vrednosti se naogaat vo okolinata na pravata L1, imaat
ista apscisa xi, no otstapuvaat od L1 poveke ili pomalku vo + ili
− nasoka. Obiqno zbirot na otstapuvanjata e
270 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
l∑
j=1
(yij − Yi) = 0
t.e. bi bil ednakov na nula, kako xto znaeme, bidejki pozitivnite
bi se ponixtile so negativnite otstapuvanja. Zatoa so nego ne
moeme da rabotime (t. e. so momentot µ1,0). Barame takva prava
L1, od koja site otstapuvanja
yij − Yi
ke bidat xto e mono pomali. Zatoa otstapuvanjata ke bidat na-
jmali, ako e zbirot od kvadratite na tie otstapuvanja najmal.
Matematiqka postapka koja utvrduva uslovi zbirot na kvadratite
na otstapuvanjata da bide najmal se vika metod na najmali kvadrati
i e osnoven metod na minimalizacija i optimizacija vo biometri-
jata.
Zbirot na kvadratite na otstapuvanjata po y se opredeluva
kako pozitivna funkcija
S2y =
1
N
l∑
j=1
k∑
i=1
fij(yij − Yi)2
i spored toa e eden vid moment. No, bidejki Yi = axi + b, so zamena
vo S2y dobivame
S2y =
1
N
l∑
j=1
k∑
i=1
fij (yij − axi − b)2.
Vo ovaa suma ke zememe parametarot a privremeno da e fik-
siran. Bidejki se xi, yij, fij dadeni postojani vrednosti, S2y e funk-
cija samo od edna promenliva b. Od matematiqkata analiza e
poznata teoremata (Princip na Ferma na ekstremi), pa za da gi
dobieme monite ekstremi (minimum ili maksimum), treba da gi
najdeme vrednostite vo koi nejziniot izvod e ednakov na nula, t.
e. da ja rexime ravenkata
Matematika II (za studenti po biologija) 271
(S2
y
)′b= 0
za edno fiksno a. Ako pobarame izvod od S2y po b, dobivame
(S2
y
)′b=
1
N
l∑
j=1
k∑
i=1
2fij(yij − axi − b)1 · (−1) = 0
od kade, ako skratime so (−2), dobivame ravenka
1
N
l∑
j=1
k∑
i=1
fij (yij − axi − b) = 0.
Ako pomnoime so fij i razloime na tri sumi, dobivame
1
N
l∑
j=1
k∑
i=1
fijyij − a · 1
N
l∑
j=1
k∑
i=1
fijxi − b · 1
N
l∑
j=1
k∑
i=1
fij = 0.
Bidejki, spored prethodnite definicii
1
N
l∑
j=1
k∑
i=1
fijyij = y;1
N
l∑
j=1
k∑
i=1
fijxi = x;1
N
l∑
j=1
k∑
i=1
fij =1
N· N = 1
dobivame
y − ax− b · 1 = 0
od kade go opredeluvame nepoznatiot parametar
b = y − a · x
a ova znaqi deka e y = ax + b t. e. na pravata y = ax + b lei
toqkata (x, y). Ako sega vaka opredelenoto b go zamenime povtorno
vo sumata od kvadratni otstapuvanja po y : S2y , dobivame
272 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
S2y =
1
N
l∑
j=1
k∑
i=1
fij(yij − axi − y + ax)2 =
=1
N
l∑
j=1
k∑
i=1
fij [(yij − y) − a (xi − x)]2.
Taka sega S2y e funkcija samo od a : S2
y = S2y (a), pri dadeni
xi, yij, x, y, fij. Nepoznatoto a ke go opredelime po ist princip,
sumata na kvadratite S2y na otstapuvanjata po y da e najmala. Spo-
red istiot Ferma-ov princip, izvodot, sega po a, mora da e ramen
na nula:
(S2
y
)′a
= 0
od kade
1
N
l∑
j=1
k∑
i=1
fij · 2 [(yij − y) − a (xi − x)]1 (−1) (xi − x) = 0.
Ako skratime so (−2) izmnoime so (xi − x), i razlikata ja ra-
zloime na dve sumi, dobivame
1
N
l∑
j=1
k∑
i=1
fij (yij − y) (xi − x) − a · 1
N
l∑
j=1
k∑
i=1
fij(xi − x)2
= 0.
Spored definicijata na momentite
1
N
l∑
j=1
k∑
i=1
fij (∆yj) (∆xi) = µ1,1;1
N
l∑
j=1
k∑
i=1
fij (xi − x)2 = σx2
dobivame
Matematika II (za studenti po biologija) 273
µ1,1 − a · σx2 = 0
od kade go opredeluvame i a, t.e.
a =µ1,1
σx2.
Zamenuvajki gi vaka opredelenite a i b vo ravenkata na pra-
vata, dobivame prava na regresija L1:
Y − y =µ1,1
σx2
(x − x) .
Od site moni pravi vo oblasta na rezultatite na merenjeto,
ovaa prava e najbliska kon toqkite so sredinite (xi, yi) vo eden
stohastiqki proces. Spored toa, taa ja opredeluva korelacijata
xi ↔ yij
vo koja na edno xi mu korespondiraat poveke yij.
Taka L1 e prosta matematiqka funkcija koja vo vid na stroga
formula priblino izrazuva edna sloena statistiqka zavisnost
na bioloxkite golemini x i y, itn.
No, ako sega barame obratna stohastiqka vrska, t. e. za edno
yi zakonot na koj mu korespondiraat poveke xij, vidovme na primer
deka toa nema da bide funkcijata L1. Zatoa morame rabotata za
nejzinoto opredeluvanje da ja izvedeme posebno.
Neka se yj nekoi merni karakteristiki, na koi im odgovaraat
setovi drugi korelaciono vrzani golemini xij koi imaat sredini
xj = Xj. Geometriskoto mesto na toqki (xi, yj) neka bide nova prava
L2 so novi parametri A i B:
y = AX + B
Na nea ili blisku do nea lei toqkata (Xj , yj) i zatoa vai,
toqno ili priblino
yj = AXj + B.
274 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Soodvetnite korelacioni vrednosti xij otstapuvat od pravata
L2 i tie otstapuvanja iznesuvaat
xij −Xj .
Ako na ist naqin formirame zbir od kvadratite na otstapuvanjata
S2x =
1
N
l∑
j=1
k∑
i=1
fij(xij − Xj)2
i vo nego zamenime Xj od ravenkata na pravata
Xj =1
Ayj −
B
A
dobivame
S2x =
1
N
l∑
j=1
k∑
i=1
fij
(
xij +B
A− 1
Ayj
)2
.
Smetajki deka A e privremeno konstantno, od uslovot za ek-
strem
(S2
x
)
B
′= 0
naogame
1
N
l∑
j=1
k∑
i=1
fij
(
xij +B
A− 1
Ayj
)2
A= 0
ili
1
N
l∑
j=1
k∑
i=1
fijxij +B
A· 1
N
l∑
j=1
k∑
i=1
fij −1
A· 1
N
l∑
j=1
k∑
i=1
fijyj = 0
ili
x +B
A· 1
N· N − 1
A· y = 0
od kade go naogame B
Matematika II (za studenti po biologija) 275
B = y − Ax.
Zamenuvajki go ova B vo S2x, imame funkcija samo od A, pri
drugi elementi konstantni:
S2x =
1
N
l∑
j=1
k∑
i=1
fij
(
xij +y − Ax− yj
A
)2
ili
S2x =
1
N
l∑
j=1
k∑
i=1
fij
(
(xij − x) − 1
A(yj − y)
)2
.
Po istiot princip na Ferma, izvodot e ramen na nula:
(S2
x
)′A
=1
N
l∑
j=1
k∑
i=1
2fij
(
(xij − x) − 1
A(yj − y)
)′(1
A2
)
(yj − y) = 0.
Kratejki so 2 · 1A2 , mnoejki so (yj − y), i razdeluvajki na dve
sumi, dobivame ravenka
1
N
l∑
j=1
k∑
i=1
fij (xij − x) (yj − y) − 1
A
1
N
l∑
j=1
k∑
i=1
fij(yj − y)2 = 0
vo koja figuriraat poznatite momenti. Dobivame
µ1,1 −1
Aσ2
y = 0
od kade naogame i A:
A =σ2
y
µ1,1
Taka dobivame ravenka na pravata L2
276 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
y = AX + B =σ2
y
µ1,1X + y −Ax
ili
y − y =σ2
y
µ1,1(X − x)
t.e. ravenkata na vtora (inverzna) korelacija.
Taka, so parot pravi L1, L2 e napolno matematizirana linear-
nata korelacija:
x ↔ y
Ovie pravi sluat za mnogubrojni statistiqki nameni.
4.20 Koeficient na korelacija
Pravite na korelacijata
Y − y =µ1,1
σ2x
(x − x) ...L1
i
y − y =σ2
y
µ1,1
(X − x) ...L2
i dvete minuvaat niz toqkata (x, y) so koordinati koi se sredini
od podatocite po x i y. Koeficientite na pravci na ovie pravi
iznesuvaat
K1 =µ1,1
σ2x
, K2 =σ2
y
µ1,1.
Koliqnikot
K1
K2=
µ1,1
σ2x
σ2y
µ1,1
=µ2
1,1
σ2xσ
2y
= r2
Matematika II (za studenti po biologija) 277
opredeluva koja e brzinata na rastenjeto na edna linearna funk-
cija vo odnos na drugata.
Definicija. Brojot
r =µ1,1
σxσy
se vika koeficient na korelacijata i toj igra vana uloga vo
ocenkata na korelacionata vrska.
Za da ja vidime negovata vanost, srednoto kvadratno otstapuvanje
po y ke go napixeme vaka:
S2y =
1
N
l∑
j=1
k∑
i=1
fij ((yij − y) − a (xi − x))2 =
=1
N
l∑
j=1
k∑
i=1
fij(yij − y)2 − 2a
N
l∑
j=1
k∑
i=1
fij (yij − y) (xi − x)+
+ a2
l∑
j=1
k∑
i=1
fij(xi − x)2 = σ2y − 2aµ1,1 + a2σ2
x.
No bidejki e
a =µ1,1
σ2x
dobivame
S2y = σ2
y − 2aµ1,1 + a2σ2x = σ2
y − 2µ2
1,1
σ2x
+µ2
1,1
σ4x
σ2x =
= σ2y −
µ21,1
σ2x
= σ2y −
µ21,1σ
2y
σ2xσ
2y
= σ2y
(
1 − µ21,1
σ2xσ
2y
)
ili
278 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
S2y = σ2
y
(1 − r2
), r = 1 −
µ21,1
σ2xσ
2y
i za da bide S2y ≥ 0, treba da e 1 − r2 ≥ 0, t.e.
0 ≤ r ≤ 1
t.e. koeficient na korelacija igra uloga na verojatnost.
Diskusija. 1. Ako e r = 1, S2y = 0, t.e.
Sy = 0.
Toa znaqi deka nema otstapuvanje po y. Za edno xi, yij se isti,
ednakvi na sredinata yi. Taka imame ednoznaqna vrska xi ↔ yi, za
edno xi edno yi i velime deka imame mnogu silna korelacija, koja
e i funkcija.
Vo ovoj sluqaj poradi r = 1, K1 = K2 i taka nemame dve pravi,
tuku samo edna L1 = L2, koja ja vikame linearna funkcija. Uslov
za silna korelacija e
µ1,1 = σxσy
2. Ako e r = 0, imame
Sy = σy
A ova znaqi deka Sy e funkcija samo od yij, i ne zavisi od xi.
Ova znaqi deka nema nikakva korelacija megu grupnite podatoci
xij i yij. Korelacija e ednakva na nula. Toa znaqi deka poda-
tocite se nezavisni i uslov za toa e
µ1,1 = 0
3. Najqest sluqaj e
0 < r < 1
i korelacijata ja narekuvame slaba ili silna spored toa dali e
Matematika II (za studenti po biologija) 279
poblisku do 0 ili do 1, soodvetno.
Konvencija. Dobri korelacii x ↔ y se onie za koi e
r = 0, 60, 0, 70, 0, 80, 0, 90.
Slabi korelacii se
r = 0, 30, 0, 20, 0, 10.
Spored toa r e merka za kvalitet na vrskata.
Primer. Da opredelime r vo primerot so visini i teini.
Naogame sredini po x i y:
x = 169, 90 cm y = 65, 22kg
i potoa gi pravime site potrebni presmetuvanja i trite momenti,
t.e.
µ1,1 = 25, 03
µ2,0 = σ2x = 36, 23; σx = 6, 0191
µ0,2 = σ2y = 40, 99; σy = 6, 4023.
So pomox na teoriskite formuli gi dobivame i dvete pravi
linii na korelacijata:
L1 : y − 65, 22 = 0, 69(x − 169, 90)
L2 : y − 65, 22 = 1, 64(x − 169, 90)
koi moat da se smetaat za matematiqki zakoni izvedeni od tabelata.
Koeficientot na korelacijata togax moe da se presmeta
280 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
r =µ1,1
σxσy=
25, 03
38, 54= 0, 65
i toj kauva deka postoi dosta dobra korelacija megu visinite i
teinite.
4.21 Proverka na statistiqki hipotezi
Na poqetok ke spomneme nekoi poimi xto qesto ke gi koristime
vo ponatamoxnata rabota. Dosega si se zapoznal so poimite: po-
pulacija (osnovno mnoestvo), obeleje na populacijata, prime-
rok zemen od populacijata i obem (broj na elementi) na populaci-
jata i primerokot.
Edno razgleduvano obeleje na dadena populacija moe da se
javi vo razliqni vidovi, koixto se narekuvaat modaliteti na
obelejeto.
Taka, na primer, modaliteti na obelejeto pol se: maxki i
enski, modaliteti na obelejeto uspeh na uqenici se: nedo-
volen, dovolen, dobar, mnogu dobar, odliqen, koixto moe da
bidat iskaani i so brojni oceni: 1,2,3,4,5, itn.
Obelejata se promenlivi veliqini i za odreden element na
populacijata, vrednosta na edno obeleje ne moe odnapred toqno
da se opredeli. Zatoa, vo matematiqkata statistika se smeta deka
sekoe obeleje e sluqajna promenliva.
Da naglasime deka:
(i) pri zemanje primerok so obem n, od populacija so obem N ,
sekoj moen primerok so obem n ima ista verojatnost da bide
izbran.
(ii) vo postapkata na izborot na primerokot, elementot kojxto
sme go izbrale vo primerokot go vrakame vo populacijata pred
izborot na sledniot element vo primerokot.
Vani pokazateli za obelejata na populacijata se aritme-
tiqkata sredina (proseqnata vrednost), standardnata devijacija,
kako i relativnata qestota na elementite od populacijata koixto
Matematika II (za studenti po biologija) 281
imaat nekoja barana osobina. Tie se konstanti za dadenata po-
pulacija i gi narekuvame parametri na populacijata ili samo
parametri, i pritoa aritmetiqkata sredina na populacijata ja
oznaquvame so µ, standardnata devijacija so σ, a relativnata
qestota so π. Aritmetiqkata sredina na primerokot ja oznaqu-
vame so X, standardnata devijacija so S, relativnata qestota so
Pr i gi narekuvame statistiki na primerokot ili samo statis-
tiki. Bidejki primeroci so ist obem megusebno se razlikuvaat,
vrednostite na ista statistika na primerokot ke se razlikuvaat
od primerok do primerok.
Da ja razgledame statistikata X. Neka (X1, X2, ..., Xn) e eden
primerok od n elementi, zemen od populacijata. Pred izvleku-
vanjeto na prviot element od primerokot ne moeme so sigurnost
da odredime koj element od populacijata ke bide izbran, pa po-
radi toa prviot element, X1, od primerokot pretstavuva sluqajna
promenliva. Istoto vai i za ostanatite elementi na primerokot,
t. e. sekoj element na primerokot pretstavuva edna sluqajna
promenliva. Spored toa, aritmetiqhkata sredina na primerokot,
kako funkcija od n sluqajni promenlivi, e
X =X1 + X2 + ... + Xn
n
i samata e edna sluqajna promenliva.
Za matematiqkoto oqekuvanje i disperzijata na aritmetiqkata
sredina na primerokot vai:
1. E(X)
= E (X)
2. D(X)
= D(X)n
= σ2
n.
Znaqi, statistikata na primerokot, X, e sluqajna promenliva,
a nejzinata realizirana vrednost, x, e konstanta. Na ist naqin
se pokauva deka i standardnata devijacija, S, i relativnata
qestota, Pr, se sluqajni promenlivi, a nivnite realizirani vred-
nosti se konstanti i gi oznaquvame so s i p, soodvetno.
Zakluquvame deka parametrite na populacijata se konstanti,
a statistikite na primerokot se sluqajni promenlivi.
282 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Da pretpostavime deka sme izbrale eden primerok od popu-
lacijata. Elementite na izbraniot primerok pretstavuvaat re-
alizirana vrednost na sluqajnite promenlivi Xi, i ∈ 1, 2, ..., n vo
dadeniot eksperiment i neka nivnite brojni vrednosti se xi, i ∈1, 2, ..., n, soodvetno. Aritmetiqkata sredina na izbraniot pri-
merok e
x =x1 + x2 + ... + xn
n
i taa e konstanta. Ako realiziranite vrednosti na primerokot se
povtoruvaat, t. e. ako vrednosta x1 se javuva f1 pati, x2 se javuva
f2 pati, . . . , xk se javuva fk pati, togax
f1 + f2 + ... + fk = n
i reliziranata vrednost na aritmetiqkata sredina na primerokot
e
x =x1f1 + x2f2 + ... + xkfk
f1 + f2 + ... + fk=
x1f1 + x2f2 + ... + xkfk
n
a za standardnata devijacija ja koristime formulata za poprave-
nata standardna devijacija
s =
√
f1x12 + f2x2
2 + ... + fkxk2 − nx2
n − 1.
Predmetot na interesiranje se sekogax parametrite na popu-
lacijata, a ne statistikite na primerokot. No, vo praksa, za-
radi goleminata na populacijata, nepristapnost do site elementi
na populacijata ili nekoi drugi priqini, ne sme vo monost da
ja presmetame toqnata vrednost na odreden parametar, tuku samo
moeme da ja ocenime vrz osnova na statistikite na primerokot.
4.22 Metodi na statistiqko zakluquvanje
Kako xto veke spomnavme, vo praktikata raspolagame so prime-
roci zemeni od dadena populacija, a ne so celata populacija.
Pritoa, donesuvame zakluqok za populacijata (nekoj nejzin para-
Matematika II (za studenti po biologija) 283
metar, raspredelba na verojatnosti na obeleje ili verojatnost
na nastani, povrzani so nea) vrz osnova na podatocite xto gi
imame od primerokot, zemen od taa populacija. Postapkata na
donesuvanje na vakov zakluqok se narekuva metod na statistiqko
zakluquvanje. Pod metodi na statistiqko zakluquvanje se podrazbi-
raat metodot na statistiqko ocenuvanje i metodot na proverka na
statistiqka hipoteza. Koj od ovie dva metoda ke go primenime za-
visi od raspoloivite informacii za populacijata, pred izborot
na primerokot.
-Ako nemame podatoci vrz osnova na koi moeme da ja pret-
postavime vrednosta na nekoj parametar na populacijata, taa vred-
nost ja ocenuvame so metodot na statistiqko ocenuvanje. Pritoa,
vrednosta na parametarot ja ocenuvame vrz osnova na podatocite
od primerokot, pa zaradi toa, napraveniot zakluqok ne e potpolno
siguren, tuku e so odredena verojatnost, pomala od 1.
-Ako nekoja karakteristika (vrednosta na nekoj parametar ili
raspredelbata na verojatnosti) na populacijata ni e poznata ili
ja pretpostavuvame, primenuvame metod na proverka na statis-
tiqka hipoteza. Pritoa, vrz osnova na podatocite od primerokot
ispituvame dali doxlo do promena na vrednosta na parametarot
ili raspredelbata, t. e. dali naxata poqetna pretpostavka za
karakteristikata (xto ja ispituvame) na populacijata e prifa-
tliva ili ne. I vo ovoj sluqaj, doneseniot zakluqok e vrz osnova
na podatocite od primerokot, pa ne moeme da bideme potpolno
sigurni vo ispravnosta na doneseniot zakluqok, t. e. poqetnata
pretpostavka za karakteristikata na populacijata ja prifakame
ili otfrlame so odreden rizik deka sme pogrexile.
Vo prodolenie ke ja ilustrirame razlikata pomegu metodot
na statistiqko ocenuvanje i metodot na proverka na statistiqka
hipoteza.
Na primer, da pretpostavime deka go analizirame uspehot na
priemniot ispit po predmetot matematika na Ekonomskiot fakul-
tet vo Skopje.
Ne interesira proseqniot broj na bodovi od priemniot ispit.
284 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Namesto popis na populacijata (utvrduvanje na bodovi na sekoj
kandidat koj xto go polagal priemniot ispit), zaradi golemi-
nata na populacijata, ke primenime metod na statistiqko ocenu-
vanje: ke izbereme eden primerok od populacijata, potoa ke go
presmetame proseqniot broj na bodovi vo ovoj primerok i vrz
osnova na ovaa informacija ke go ocenime proseqniot broj na
bodovi vo celata populacija. Ako, na primer, proseqniot broj
na bodovi vo primerokot e x = 78, 5, moeme grubo da prifatime
deka proseqniot broj na bodovi vo populacijata e µ = 78, 5. No,
bidejki x po pravilo se razlikuva od µ, namesto so eden broj,
parametarot µ go ocenuvame so intervalna vrednost okolu vred-
nosta x, t. e. velime, na primer, deka baranata vrednost na para-
metarot µ, so odredena verojatnost, se naoga vo intervalot (76, 81).
Znaqi, rezultatot od statistiqkoto ocenuvanje e oceneta vrednost
na nepoznatiot parametar na populacijata, vo vid na eden broj ili
eden interval, i pritoa, zakluqokot e so odredena verojatnost.
Od druga strana, da pretpostavime deka imame vakov sluqaj:
imame podatok za uspehot od polouvanjeto na priemniot ispit od
prethodnite godini, i neka, na primer, 87% od prijavenite kan-
didati go polouvaat priemniot ispit. Pritoa, se somnevame
deka doxlo do promena vo uspehot od polouvanjeto na priemniot
ispit. Dali naxeto somnevanje e opravdano ili ne, se proveruva
so metodot na proverka na statistiqka hipoteza. Od populaci-
jata zemame primerok i za ovoj primerok go presmetuvame procen-
tot na kandidatite koi go poloile priemniot ispit. Neka, na
primer, toj procent iznesuva 85. Postoi razlika pomegu doto-
gaxnata vrednost, 87%, i vrednosta na segaxniot primerok, 85%.
Ovaa razlika moe da se doli na dve priqini: sluqajniot iz-
bor na elementite od primerokot ili pak moebi na faktot deka
procentot na polouvanje na priemniot ispit ne e veke 87. Ako
razlikata od 2% ne moeme da ja opravdame so sluqajniot izbor
na elementite od primerokot, togax prifakame hipoteza deka pro-
centot na polouvanjeto na priemniot ispit se promenil, t.e. ja
nema pretpostavenata vrednost. Rezultatot od metodot na prove-
Matematika II (za studenti po biologija) 285
rka na statistiqka hipoteza e zakluqok za prifakanje ili otfr-
lanje na hipotezata za pretpostavena vrednost na nekoj parametar
na populacijata, no so odreden rizik deka sme pogrexile.
Zabelexka. Slednata xema pokauva kako postapuvame pri
odreduvanje na koj metod na statistiqko zakluquvanje ke go pri-
menime.
4.23 Hipoteza: Nulta i alternativna, prosta i sloena.
Grexki.
Pri ispituvanjeto na obelejeto na nekoja populacija qestopati,
vrz osnova na dobienite podatoci od primerok zemen od populaci-
jata, se pravat razliqni pretpostavki za obelejeto.
Na primer, vo medicinata za ispituvanje na dejstvoto na nov
lek za nekoe zaboluvanje, lekot se primenuva na edna grupa od n pa-
cienti. Ako, pritoa, e konstatirano podobruvanje kaj k pacienti
286 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
i ako relativnata qestota kn
e pogolema otkolku pri lekuvanjeto
so stariot lek za ova zaboluvanje, prirodno se postavuva praxa-
njeto: dali noviot lek moe da se proglasi za znaqajno podobar?
Vo ovoj primer, elementite na populacijata se zabolenite luge
od konkretnata bolest, a sakame da proverime dali nastanot pa-
cientot e izlekuvan so noviot lek ima pogolema verojatnost od
nastanot ”pacientot e izlekuvan so stariot lek”.
Sliqno, vo zemjodelieto se ispituva, na primer, dali prime-
nata na edna kombinacija na poveke vextaqki gubriva na parceli
zasadeni so nekoja zemjodelska kultura dava podobri rezultati
od primenata na druga kombinacija na vextaqki gubriva. Vo
ovoj sluqaj, populacijata ja soqinuvaat site parceli zasadeni
so konkretnata zemjodelska kultura, obelejeto e prinosot na
zemjodelskata kultura, a sakame da proverime dali proseqnata
vrednost (matematiqkoto oqekuvanje) na prinosot pri upotreba
na edna kombinacija na vextaqki gubriva e pogolema otkolku pri
upotreba na druga kombinacija na vextaqki gubriva.
Sliqni praxanja se postavuvaat i vo industrijata, koga treba
da se proveri dali odredena nova tehnologija dava proizvodi so
podobar kvalitet, dali proizvodstvoto na nekoja maxina gi zado-
voluva standardite itn.
Vo site ovie, a i drugi, primeri se razgleduva obeleje na
dadena populacija, koexto e sluqajna promenliva, i se postavu-
vaat tvrdenja ili pretpostavki za obelejeto.
Statistiqka hipoteza e precizno formulirano tvrdenje ili
pretpostavka za nekoe obeleje na populacijata (za vrednosta na
nekoj negov parametar, zakonot na raspredelba na verojatnosti na
obelejata ili verojatnosti na nastani povrzani so nego).
Postapkata so kojaxto, vrz osnova na podatocite od primerokot,
ja proveruvame prifatlivosta na hipotezata se narekuva metod na
proverka na statistiqka hipoteza.
Nie, vo ovoj del, ke zboruvame za metodi na proverka na statis-
tiqka hipoteza, koga hipotezata se odnesuva za vrednosta na nekoj
parametar na obelejeto na populacijata, pa od tie priqini site
Matematika II (za studenti po biologija) 287
ponatamoxni definicii i primeri ke se odnesuvaat samo na vakov
vid na hipotezi.
Nulta hipoteza e hipoteza za vrednosta na nekoj parametar α na
obelejeto na populacijata, kojaxto so postapkata na testiranje
nastojuvame da ja osporime.
Vo praktika za nulta hipoteza obiqno se izbira onaa pret-
postavka za vrednosta na parametarot, kojaxto ja odrazuva sostoj-
bata do izveduvanjeto na poslednoto ispituvanje ili odgovara na
postojnite standardi.
Nultata hipoteza ja oznaquvame so H0. Taa moe da bide prosta
i sloena.
Nultata hipoteza e prosta ako, so nea, se tvrdi deka para-
metarot θ e ednakov na edna, odnapred zadadena numeriqka vred-
nost, takanareqena hipotetiqna vrednost, θ0. Vo toj sluqaj pixu-
vame H0 : θ = θ0 i qitame ”nultata hipoteza glasi deka param-
etarot θ e ednakov na θ0”.
Nultata hipoteza e sloena ako, so nea, za parametarot θ se
tvrdat poveke od edna mona vrednost. Taka, na primer, hipote-
zata H0 : θ ≤ θ0, so koja xto za parametarot θ se pretpostavuvaat
site vrednosti pomali ili ednakvi na θ0 (a takvite da gi ima
poveke od edna), e sloena hipoteza.
Alternativna hipoteza e sprotivnata hipoteza na nultata hi-
poteza, t. e. taa gi sodri site vrednosti koi parametarot θ moe
da gi ima, a koixto ne se opfateni so nultata hipoteza. Alterna-
tivnata hipoteza ja oznaquvame so H1 i taa moe da bide prosta
i sloena. Kako i nultata, alternativnata hipoteza e prosta ako
so nea za parametarot θ se tvrdi samo edna numeriqka vrednost,
a sloena ako so nea za parametarot θ se opfateni poveke od edna
vrednost.
Najqesto, no ne sekogax, ako nultata hipoteza e prosta, alter-
nativnata e sloena i obratno.
Alternativnata hipoteza e hipotezata kojaxto so postapkata
na proverka nastojuvame da ja potvrdime.
Zakluqok. Nultata i alternativnata hipoteza pretstavuvaat
288 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
dve precizni tvrdenja ili pretpostavki za vrednosta na nekoj
parametar na populacijata, koixto megusebno se iskluquvaat.
Najqesto ke gi razgleduvame sluqaite, koga nultata i alter-
nativnata hipoteza se od vidovite:
(I) H0 : θ = θ0 H1 : θ 6= θ0
(II) H0 : θ ≤ θ0 H1 : θ > θ0
(III) H0 : θ ≥ θ0 H1 : θ < θ0
Primer 1. Edna firma, kojaxto se zanimava so trgovija na
proizvodi, kupila odredena koliqina od eden proizvod. Propi-
xanata teina na pakuvanjeto na toj proizvod e 500g.
a) Sopstvenikot na trgovskata firma se posomneval deka pro-
seqnata teina na pakuvanjeto na toj proizvod otstapuva od propi-
xanata teina od 500g.
b) Proizvoditelot na proizvodot tvrdi deka proseqna teina
na proizvodot iznesuva najmalku 498g.
Postavi gi nultata i alternativnata hipoteza i utvrdi koja e
prosta, a koja e sloena hipoteza?
Rexenie. Vo ovoj primer, obelejeto X e teinata na paku-
vanjeto na razgleduvaniot proizvod, i e sluqajna promenliva.
a) Osnovanosta na somnevanjeto na sopstvenikot na trgovskata
firma se proveruva so postavuvanje i proverka na hipoteza od
vidot (I):
H0 : E (X) = 500g H1 : E (X) 6= 500g,
bidejki sakame da proverime dali matematiqkoto oqekuvanje na
sluqajnata promenliva X e 500g, kako xto e propixano so stan-
dardite na toj proizvod.
Ovde H0 e prosta, a H1 e sloena hipoteza.
Ako, so postapkata za proverka na statistiqka hipoteza, za-
kluqime deka H0 treba da ja otfrlime, prifakame deka proseq-
nata teina na razgleduvaniot proizvod e razliqna od 500g, t. e.
ja prifakame alternativnata hipoteza, no so nea ne e odredena
nasokata na otstapuvanje na proseqnata teina od propixanata,
odnosno prifakame deka proseqnata teina na proizvodot moe da
bide pogolema ili pomala od propixanata. Vakvata alternativna
Matematika II (za studenti po biologija) 289
hipoteza se narekuva dvonasoqna ili dvostrana.
Alternativnata hipoteza so kojaxto monite otstapuvanja na
parametarot θ od hipotetiqnata vrednost θ0 gi sledime vo dvete
nasoki se narekuva dvonasoqna ili dvostrana hipoteza.
Proverkata na hipotezi od vidot (I) se narekuva dvonasoqna
ili dvostrana proverka.
b) Vo ovoj sluqaj ke postavime hipotezi od vidot (III):
H0 : E (X) ≥ 498g H1 : E (X) < 498g.
Ovde i H0 i H1 se sloeni hipotezi.
Ako analizata pokae deka H0 treba da ja otfrlime, togax
prifakame deka proseqnata teina na proizvodot e pomala od
498g. Vo ovoj primer, so prifakanje na alternativnata hipoteza,
odredena e nasokata na otstapuvanjata na proseqnata teina od
propixanata, odnosno pretpostavenata teina. Vakvata alterna-
tivna hipoteza se narekuva ednonasoqna ili ednostrana.
Primer 2. Fabrika za proizvodstvo na avtomobili, marka
A, saka da ja proveri svojata tehnologija na proizvodstvo, preku
proseqnata potroxuvaqka na benzin na proizvedeniot avtomobil.
a) Proizvoditelot, spored svoite pretpostavki za tehnologi-
jata na proizvodstvo, smeta deka proseqnata potroxuvaqka na ben-
zin na 100km treba da iznesuva 8,4 litri, no sepak, vrz osnova na
nekoi informacii, poqnuva da se somneva vo toa i saka da proveri
dali navistina e taka.
b) Proizvoditelot povtorno spored svoite pretpostavki za te-
hnologijata na proizvodstvo, smeta deka proseqnata potroxuvaqka
na benzin na 100km treba da bide pomala od 8,5 litri, no vrz os-
nova na nekoi informacii, poqnuva da se somneva vo toa i saka
da proveri dali navistina e taka.
Postavi gi nultata i alternativnata hipoteza i utvrdi koja e
prosta, a koja e sloena hipoteza.
Rexenie. Vo ovoj primer obelejeto Xe potroxuvaqka na ben-
zin na 100km kaj avtomobilite, marka A.
a) Postavuvame hipotezi od vidot (I):
290 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
H0 : E (X) = 8, 4l H1 : E (X) 6= 8, 4l.
Ovde H0 e prosta, a H1 e sloena hipoteza i stanuva zbor za
dvonasoqna (dvostrana) alternativna hipoteza.
b) Postavuvame hipotezi od vidot (II):
H0 : E (X) ≤ 8, 5l H1 : E (X) > 8, 5l
Ovde H0 i H1 se sloeni hipotezi.
Ako analizata pokae deka H0 treba da ja otfrlime, togax
prifakame deka proseqnata potroxuvaqka na benzin, kaj ovoj vid
na avtomobili i so ovaa tehnologija na proizvodstvo, e pogolema
od 8,5 litri na 100km. Vo ovoj primer, so prifakanje na alterna-
tivnata hipoteza, odredena e nasokata na otstapuvanjata na pros-
eqnata potroxuvaqka od pretpostavenata proseqna potroxuvaqka.
Znaqi, i ovaa alternativna hipoteza e ednonasoqna ili ednos-
trana.
Primer 3. Koncentracijata na standarden rastvor na BSA
(bovine serum albumin), iznesuva 100 mg/ml. Po izveduvanje na Bi-
uretna proba na standardot, izmerena e apsorbanca od 0,4421
na 550 nm. Propisno, vo upatstvoto dadeno od komercijalniot
proizvoditel apsorbancata iznesuva 0,45.
H apsorbanca
N0 : E(H) = 0, 45
N1 : E(H) 6= 0, 45
Dokolku N0 se otfrli, vrednosta na ne standardot iznesuva
0,45, odnosno ja prifakame alternativnata hipoteza.
N0 : E(H) ≥ 0, 45 N1 : E(H) < 0, 45
Primer 4. Koncetracijata na vitamin B12 vo kontrolen serum
so normalni vrednosti dadena od proizvoditelot iznesuva 110
pmol/L. So drug enzimski set izmerena e koncentracija na vitamin
B12 od 116 pmol/L vo istiot serum.
Postavi gi nultata i alternativnata hipoteza.
Zabelexka. Alternativnite hipotezi od vidot (I) se nareku-
vaat dvonasoqni ili dvostrani hipotezi, a testovite so koixto
gi proveruvame ovoj vid hipotezi se narekuvaat dvonasoqni ili
dvostrani testovi. Hipotezite od vidovite (II) i (III) se nareku-
Matematika II (za studenti po biologija) 291
vaat ednonasoqni ili ednostrani hipotezi, a testovite so koixto
gi proveruvame ovoj vid hipotezi se narekuvaat ednonasoqni ili
ednostrani testovi.
Vo postapkata za proverka na hipoteza, nultata hipoteza ke
ja otfrlime ako podatocite od primerokot protivreqat na tvr-
denjeto koe e sodrano vo nultata hipoteza. Togax, kako xto
veke vidovme vo primerite, bez proverka ja prifakame alterna-
tivnata hipoteza. Vo sprotivno, ako podatocite od primerokot
ja poddruvaat nultata hipoteza, t. e. se soglasni so tvrdenjeto
sodrano vo nultata hipoteza, togax nultata hipoteza ne ja ot-
frlame.
Nultata hipoteza moe da bide toqna ili netoqna, podatocite
od primerokot moe da bidat soglasni so nultata hipoteza ili
da i protivreqat. Ottuka, moni se slednite sluqai:
a) podatocite od primerokot ja poddruvaat toqnata nulta hi-
poteza;
b) podatocite od primerokot protivreqat na netoqna nulta hi-
poteza;
v) podatocite od primerokot protivreqat na toqnata nulta hi-
poteza;
g) podatocite od primerokot ja poddruvaat netoqnata nulta
hipoteza.
Vo sluqaite a) i b) donesuvame pravilen zakluqok. Vo sluqaite
v) i g) donesuvame pogrexen zakluqok, t. e. pravime grexka. No, i
ovie sluqai se moni, bidejki zakluqocite xto gi donesuvame vo
postapkata na proverka na hipoteza se vrz osnova na podatocite
od eden izbran sluqaen primerok.
Grexkata xto ja pravime vo sluqajot v), t. e. otfrlanjeto na
nultata hipoteza koga taa e toqna, se narekuva grexka od prv tip,
a grexkata xto ja pravime vo sluqajot g), t. e. neotfrlanjeto na
nultata hipoteza koga taa e netoqna, se narekuva grexka od vtor
tip.
Jasno e deka vo donesuvanjeto na zakluqokot moeme da napra-
vime samo edna grexka, a ne istovremeno i dvete, i, pritoa, ako
292 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
sme zakluqile deka nultata hipoteza ne ja otfrlame postoi mo-
nost da pravime grexka od vtor tip, a ako sme zakluqile deka
nultata hipoteza ja otfrlame togax postoi monost deka pravime
grexka od prv tip. Bidejki rexenieto za prifakanje na edna od
hipotezite go donesuvame vrz osnova na realizacija na primerok
za obelejeto na populacijata, xto vsuxnost opredeluva sluqaen
nastan, sleduva deka so sekoe rexenie e povrzana odredena vero-
jatnost. Vo postapkata na proverka na hipoteza, nastojuvame da
gi odredime verojatnostite na pojavuvanje na navedenite grexki,
i, ako e mono, da gi namalime.
Verojatnosta da ja otfrlime nultata hipoteza koga taa e toqna
se narekuva verojatnost na grexka od prv tip ili rizik za grexka
od prv tip, i se oznaquva so α.
Verojatnosta da ne ja otfrlime nultata hipoteza koga taa e
netoqna se narekuva verojatnost na grexka od vtor tip ili rizik
za grexka od vtor tip, i se oznaquva so β.
Kako xto veke kaavme, prirodno e da nastojuvame i dvata
tipovi na grexki da bidat xto poretki, t. e. verojatnostite α i
β da bidat xto pomali. Megutoa, namaluvajki ja α, ja namaluvame
monosta za otfrlanje na nultata hipoteza, a so toa se zgolemuva
monosta taa da bide prifatena za toqna koga e netoqna, t. e.
se zgolemuva β. Vo klasiqnata postapka za proverka za hipoteza
odnapred se opredeluva najgolemata dozvolena vrednost na α, a
potoa se izbira kriterium, kojxto ja zadovoluva izbranata vred-
nost na α i obezbeduva najmala mona vrednost na β.
Najgolemata dozvolena vrednost na α se narekuva nivo na zna-
qajnost na testot, i se oznaquva isto taka so α. Za nea, obiqno,
se zemaat vrednostite 0, 05, 0, 01, 0, 005 ili 0, 001.
Ako, na primer, nivoto na znaqajnost na testot e α = 0, 05, toa
znaqi deka vo najmnogu 5 od 100 sluqai, pri utvrdena postapka,
moe da se sluqi da ja otfrlime nultata hipoteza koga taa e
toqna, t. e. prifakame deka podatocite od najmnogu 5% od prime-
rocite pogrexno ke gi protolkuvame kako dokazi protiv nultata
hipoteza.
Matematika II (za studenti po biologija) 293
Verojatnosta na pravilno otfrlanje na nultata hipoteza, t. e.
otfrlanje na nultata hipoteza koga taa e netoqna i prifakanje
na alternativnata hipoteza koga taa e toqna se narekuva mokta
testot, a se oznaquva so p. Koga nultata hipoteza e netoqna, moe
da se donesat dva zakluqoci: nultata hipoteza da ne se otfrli (so
verojatnost β) i nultata hipoteza da se otfrli (so verojatnost
p), pa zatoa za p i β, vai β + p = 1.
Vo tabelata dadeni se verojatnostite na zakluqocite vo zavis-
nost od toqnosta na hipotezite.
4.24 Izbor na test veliqina (test statistika). Kritiqen
domen.
Proverkata na statistiqkite hipotezi za parametrite na popu-
lacijata, kako xto veke kaavme, se izvrxuva so pomox na statis-
tikite na primerokot.
Statistikata kojaxto se koristi za sproveduvanje na opredelen
test se narekuva test-veliqina ili test-statistika.
Taka, na primer, ako proveruvame hipoteza za proseqnata vred-
nost (aritmetiqkata sredina) na populacijata, kako test-veliqi-
na ke ja koristime aritmetiqkata sredina na primerokot, X, ili
nekoja druga statistika formirana so X. Ako pak, proveruvame
hipoteza za standardnata devijacija na populacijata, kako test-
veliqina ke ja koristime standardnata devijacija na primerokot,
S ili nekoja druga statistika formirana so S. Proverkata na
hipoteza za verojatnost na nastani se izvrxuva so statistika, ko-
jaxto ja sodri relativnata qestota na soodvetniot nastan itn.
Prv qekor pri proverkata na nultata nasproti alternativnata
hipoteza, so nivo na znaqajnost α, e izborot na test-veliqinata.
294 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Neka izbranata test-veliqna ja oznaqime so Z. Vidovme deka
taa pretstavuva sluqajna promenliva, pa kako takva prima vred-
nosti od mnoestvoto na realni broevi. Vrz osnova na zemeniot
primerok od populacijata se presmetuva realniot broj z, kojxto
pretstavuva realizirana vrednost na test-veliqinata.
Vtor qekor pri proverkata na nultata nasproti alternativ-
nata hipoteza, so nivo na znaqajnost α, e presmetuvanje na rea-
liziranata vrednost na test-veliqinata, vrz osnova na podatocite
od primerokot.
Potoa se opredeluvaat mnoestva B ⊂ R, taka xto, koga Z
ke primi vrednost od toa mnoestvo (realiziranata vrednost na
test-veliqinata e element na B) se donesuva zakluqok da se ot-
frli nultata hipoteza, so verojatnost na grexka od prv tip ne
pogolema od α. Ovoj uslov za mnoestvata B se zapixuva na sled-
niot naqin
P (Z ∈ B/H0) ≤ α (∗)
Mnoestvto B ⊂ R, za koe e ispolnet uslovot (*) se narekuva
oblast na otfrlanje na nultata hipoteza, ili kritiqen domen za
nultata hipoteza pri nivo na znaqajnost α.
Mnoestvoto R\B se narekuva oblast na prifakanje na nultata
hipoteza.
Realnite broevi koixto ja razdvojuvaat oblasta na prifakanje
od oblasta na otfrlanje na nultata hipoteza se narekuvaat kri-
tiqni vrednosti ili pragovi na znaqajnosta.
Ako megu kritiqnite domeni, za dadeno nivo na znaqajnost
α, postoi kritiqen domen B∗, koj ima najmala verojatnost β na
grexka od vtor tip, a toa znaqi najgolema mok na testot, togax
toj se narekuva optimalen kritiqen domen, ili najmoken kritiqen
domen za nultata hipoteza pri nivo na znaqajnost α.
Tret qekor pri proverkata na nultata nasproti alternativ-
nata hipoteza, so nivo na znaqajnost α, e opredeluvanje na kritiq-
niot domen B, ili, dokolku postoi, najmokniot kritiqen domen B∗.
Na krajot na proverkata se pravi sledniot zakluqok.
Matematika II (za studenti po biologija) 295
Zakluqok. Ako realiziranata vrednost z ∈ B (z ∈ B∗), to-
gax nultata hipoteza se otfrla, so verojatnost na grexka od prv
tip ne pogolema od α. Vo sprotiven sluqaj, ako z /∈ B (z /∈ B∗)
togax nultata hipoteza ne se otfrla i se veli deka, vrz osnova
na napravenite ispituvanja, nema priqini nultata hipoteza da se
otfrli pri dadenoto nivo na znaqajnost α.
Primer 1. Napravena e statistiqka obrabotka na site odi-
grani kola vo edna godina vo igrata loto. Konstatirano e deka
relativnata qestota na sekoj od broevite 1,2,3,5 e 0, 10, relativ-
nata qestota na sekoj od broevite 4,6,7,8,9 e 0, 06, a relativnata
qestota na sekoj od broevite 10,11,12,13,...,38,39 e 0, 01. Izvleku-
vanjeto vo igrata loto se smeta za regularno ako verojatnosta
na izvlekuvanje na sekoj od broevite 1,2,3,...,39 e ednakva na 139
.
Se proveruva hipotezata za neregularnost na izvlekuvanjeto, pri
nivo na znaqajnost na testot α = 0, 10.
a) Dali B = 1, 2, 3 e kritiqen domen?
b) Da se opredeli maksimalniot broj na elementi vo kritiq-
nite domeni.
v) Koi kritiqni domeni se optimalni?
Rexenie. Vo primerot stanuva zbor za sluqajna promenliva
X: broj izvleqen vo igrata loto, a monite vrednosti na X se
broevite 1,2,3,...,39. Bidejki se somnevame vo regularnosta na
izvlekuvanjeto, a regularnosta e opredelena so zakonot na raspre-
delba na verojatnosti na sluqajnata promenliva X,
P (X = x) =1
39, x ∈ 1, 2, ..., 39
postavuvame nulta i alternativna hipoteza od vidot:
H0 : P (X = x) =1
39, x ∈ 1, 2, ..., 39
i
H1 : P (X = x) =
0, 10 x ∈ 1, 2, 3, 50, 06 x ∈ 4, 6, 7, 8, 90, 01 x ∈ 10, 11, 12, ..., 39
296 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Da zabeleime deka i nultata i alternativnata hipoteza se
prosti hipotezi.
a) Bidejki
P (X ∈ 1, 2, 3 /H0) =
= P (X = 1) + P (X = 2) + P (X = 3) =1
39+
1
39+
1
39=
3
39= 0, 077 < α
zakluquvame deka mnoestvoto B = 1, 2, 3 e kritiqen domen.
b) -Ako pretpostavime deka B1 = a , a ∈ 1, 2, ..., 39, togax
P (X ∈ B1/H0) = P (X = a) =1
39< α;
-Ako pretpostavime deka B2 = a, b , a, b ∈ 1, 2, ..., 39, togax
P (X ∈ B2/H0) = P (X = a) + P (X = b) =1
39+
1
39=
2
39< α;
-Ako pretpostavime deka B3 = a, b, c , a, b, c ∈ 1, 2, ..., 39, togax
P (X ∈ B3/H0) = P (X = a) + P (X = b) + P (X = c) =
=1
39+
1
39+
1
39=
3
39< α;
-Ako pretpostavime deka B4 = a, b, c, d , a, b, c, d ∈ 1, 2, ..., 39,togax
P (X ∈ B4/H0) = P (X = a)+P (X = b)+P (X = c)+P (X = d) =4
39> α.
Zakluquvame deka kritiqnite domeni moat da sodrat naj-
mnogu 3 elementi.
v) Ako alternativnata hipoteza e toqna, togax elementite 1, 2,
3 i 5 imaat najgolema verojatnost, pa znaqi uqestvoto na tie ele-
menti vo kritiqniot domen obezbeduva najgolema mok na testot.
Bidejki kritiqniot domen moe da sodri najmnogu 3 elementi,
zakluquvame deka sekoe trielementno podmnoestvo od mnoes-
tvoto B = 1, 2, 3, 5 e optimalen kritiqen domen. Znaqi, ima 4
optimalni kritiqni domeni: 1, 2, 3 , 1, 2, 5 , 1, 3, 5 , 2, 3, 5.
Matematika II (za studenti po biologija) 297
Mokta na sekoj od niv iznesuva 0, 30, bidejki, na primer, za
1, 2, 3, imame
P (X ∈ 1, 2, 3 /H1) = P1 (X = 1) + P1 (X = 2) + P1 (X = 3) =
= 0, 10 + 0, 10 + 0, 10 = 0, 30.
4.25 Testovi za proseqna vrednost
Najqest vid na zadaqi xto se javuvaat vo praktikata se zada-
qite povrzani so proveruvanje na pretpostavenata ili propixa-
nata proseqna vrednost na nekoe obeleje na dadena populacija.
Bidejki obelejeto e sluqajna promenliva so svoja raspredelba,
a proseqnata vrednost e matematiqkoto oqekuvanje na raspredel-
bata na sluqajnata promenliva, testovite za proverka na hipo-
tezi za proseqnata vrednost se vsuxnost testovi za proverka na
hipotezi za matematiqkoto oqekuvanje na ispituvanoto obeleje.
Postojat nekolku vidovi na ovie testovi. Vo prodolenie ke ja
objasnime postapkata na proverka na sekoj od ovie testovi, pogod-
nosta na izborot na sekoj test, kako i konkretno sproveduvanje na
testot niz soodvetno izbrani primeri.
4.25.1 Test za matematiqkoto oqekuvanje pri poznata dis-
perzija (Z -test)
Neka se razgleduva obeleje X na dadena populacija. So E (X)
go oznaquvame matematiqkoto oqekuvanje na X, a so D (X) = σ2 ja
oznaquvame disperzijata na X. Neka zakluqocite za obelejeto
se donesuvaat vrz osnova na primerok od dadenata populacija qij
obem (broj na elementi vo primerokot) e n. Aritmetiqkata sre-
dina na primerokot e sluqajna promenliva, ja oznaqivme so X, i
za nea vai:
1. E(X)
= E (X)
2. D(X)
= D(X)n
= σ2
n.
Da se potsetime: ako realiziranite vrednosti na primerokot
298 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
se povtoruvaat, t. e. ako vrednosta x1 se javuva f1 pati, x2 se
javuva f2 pati, . . . , xk se javuva fk pati, togax f1 + f2 + ... + fk = n i
reliziranata vrednost na aritmetiqkata sredina na primerokot
e
x =x1f1 + x2f2 + ... + xkfk
f1 + f2 + ... + fk
=x1f1 + x2f2 + ... + xkfk
n
a na standardnata devijacija e
s =
√
f1x12 + f2x2
2 + ... + fkxk2 − nx2
n − 1.
Ke razgleduvame nulta i alternativna hipoteza od slednite
tri vida:
(I) H0 : E (X) = µ0 H1 : E (X) 6= µ0
(II) H0 : E (X) ≤ µ0 H1 : E (X) > µ0
(III) H0 : E (X) ≥ µ0 H1 : E (X) < µ0
kade xto µ0 e pretpostavenata ili propixanata proseqna vred-
nost na obelejeto X, t. e. taa e zadadena brojna vrednost.
Pred da pristapime na objasnuvanje na postapkata na proverka
na vidot na hipotezi koixto ke gi razgleduvame, ke gi dademe
uslovite koixto treba da bidat ispolneti za primena na ovoj
test.
Uslovi za primena na testot:
1. Disperzijata na sluqajnata promenliva X, D (X), e poznata,
t. e. D (X) = σ2 e zadadena vrednost.
2. Obemot na primerokot e dovolno golem, t. e. n ≥ 30.
Prvo treba da izbereme test-veliqina. Da go objasnime izbo-
rot na test-veliqinata. Neka, na primer, gi imame hipotezite
od vidot (I). Realiziranata vrednost na aritmetiqkata sredina
na izbraniot primerok, x, vo najgolem broj na primeri ke se
razlikuva od µ0, duri i ako nultata hipoteza e toqna, odnosno,
ako vistinskata vrednost na matematiqkoto oqekuvanje na X e µ0.
Togax apsolutnata grexka na ocenkata na matematiqkoto oqeku-
vanje, dobiena vrz osnova na konkretniot primerok e |x − µ0|. Ovaa
Matematika II (za studenti po biologija) 299
grexka ja sporeduvame so oqekuvanata grexka na X, a toa e stan-
dardnata devijacija na X, kojaxto ja oznaquvame so σX i spome-
navme deka iznesuva√
D(X)
= σ√n. Taka go dobivame brojot
|x − µ0|σX
=|x − µ0|
σ√n
.
Ottuka, zakluquvame deka kako test-veliqina ke go koristime trans-
formiraniot oblik na aritmetiqkata sredina X, t. e.
Z =X − µ0
σX
=X − µ0
σ√n
.
Pri toqna nulta hipoteza oqekuvame x malku da se razlikuva
od µ0. Vo sprotiven sluqaj, koga nultata hipoteza ne e toqna,
oqekuvame otstapuvanjata na x od µ0 da bidat pogolemi.
Do koga ke smetame deka apsolutnata grexka se doli na sluqaj-
niot izbor na elementite vo primerokot zavisi od oqekuvanata
grexka na X i nivoto na znaqajnost na testot, α, koexto e odnapred
izbrano. So sekoe izbrano nivo na znaqajnost na testot, α, se
opredeluva kritiqniot domen i kritiqnite vrednosti na Z. I
vo ovoj del, potrebno e da napravime razgraniquvanje za vidot na
hipotezite:
a) Ako nultata i alternativnata hipoteza se od vidot (I), t. e.
H0 : E (X) = µ0, H1 : E (X) 6= µ0, togax stanuva zbor za dvostran
test. Kaj ovoj vid na testovi, imame dve kritiqni vrednosti, i ako
ednata ja oznaqime so zα/2 , drugata e −zα/2 , a kritiqniot domen
e mnoestvoto B =(−∞,−zα/2
)∪(zα/2 ,∞
). Gledano na brojnata
oska, kritiqniot domen se naoga od dvete strani na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot z,
kade
z =x − µ0
σX
=x − µ0
σ√n
pripaga na mnoestvoto
B =(−∞,−zα/2
)∪(zα/2 ,∞
),
300 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
odnosno ako z > zα/2 ili ako z < −zα/2 .
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema
od α. Vo sprotivno nultata hipoteza ne treba da se otfrli i
dobienoto otstapuvanje na x od µ0 ne e statistiqki znaqajno.
Vo slednata tabela, ke gi dademe kritiqnite vrednosti na Z
za najqesto koristeni vrednosti za α.
Da go rexime sega konkretno primerot 1. a), od delot 4.24.
Primer 1. Edna firma, kojaxto se zanimava so trgovija na
proizvodi, kupila odredena koliqina od eden proizvod. Propi-
xanata teina na toj proizvod e 500g. Dozvolenoto otstapuvanje
(standardnata devijacija) iznesuva 3g. Sopstvenikot na trgov-
skata firma, kako xto rekovme, se posomneval deka proseqnata
teina na pakuvanjeto na toj proizvod otstapuva od propixanata
teina od 500g. Zatoa, so cel da ja proveri teinata, sopstvenikot
na trgovskata firma, od kupenite proizvodi, zel sluqaen prime-
rok od 200 proizvodi. Pritoa, po merenjeto na nivnite teini,
gi dobil slednite rezultati:
Pri nivo na znaqajnost 0, 01 da se proveri dali moe da se pri-
fati pretpostavkata deka proseqnata teina na ovoj vid na pro-
izvod ne e 500g, odnosno deka e razliqna od propixanata vrednost.
Rexenie. Osnovanosta na ova somnevanje se proveruva so po-
stavuvanje i proverka na hipoteza od vidot (I):
H0 : E (X) = 500g H1 : E (X) 6= 500g,
kade xto obelejeto X e teinata na ispituvaniot vid na pro-
izvod.
Matematika II (za studenti po biologija) 301
Prvo da gi proverime uslovite za primena na testot:
1. Disperzijata na sluqajnata promenliva X, D (X), e poznata,
t. e. D (X) = 32 = 9.
2. Obemot na primerokot e dovolno golem, t. e. n = 200 > 30.
Uslovite se zadovoleni, pa moe da pristapime kon testot.
Ovde µ0 = 500, a σX =√
D(X)
= σ√n
= 3√200
= 0, 21.
Potoa ja presmetuvame vrednosta x:
x =x1f1 + x2f2 + ... + x8f8
f1 + f2 + ... + f8=
496 · 5 + 497 · 12 + ... + 503 · 10200
= 499, 66.
Sega moeme da ja presmetame i vrednosta na Z za ovoj prime-
rok. Taa e
z =x − µ0
σX
=x − µ0
σ√n
=499, 66 − 500
0, 21= −1, 62.
Ednata kritiqnata vrednost pri ova nivo na znaqajnost, 0,01,
proqitano vo tabelata 1, e 2,58. Bidejki z = −1, 62 > −2, 58 hipo-
tezata ne ja otfrlame, t. e. donesuvame zakluqok deka, vrz osnova
na zemeniot primerok, nema priqini da smetame deka nultata hi-
poteza ne e toqna. Dali ke zakluqix deka proizvoditelot e qesen?
b) Ako nultata i alternativnata hipoteza se od vidot (II), t.
e.
H0 : E (X) ≤ µ0, H1 : E (X) > µ0,
togax stanuva zbor za ednostran test. Kaj ovoj vid na testovi,
imame edna kritiqna vrednost, ja oznaquvame so zα, a kritiq-
niot domen e mnoestvoto B = (zα,∞). Gledano na brojnata oska,
kritiqniot domen se naoga od desnata strana na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot z,
kade z = x−µ0
σX= x−µ0
σ√n
, pripaga na mnoestvoto B = (zα,∞), odnosno
ako z > zα. Pritoa, verojatnosta na grexkata od prv tip ne e
pogolema od α. Vo sprotivno, nultata hipoteza ne treba da se
otfrli i dobienoto otstapuvanje na x od µ0 ne e statistiqki zna-
qajno.
302 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Vo slednata tabela, ke gi dademe kritiqnite vrednosti na Z
za najqesto koristeni vrednosti za α.
Da go rexime sega konkretno primerot 2, od delot 4.26.
Primer 2. Fabrika za proizvodstvo na avtomobil, marka A,
saka da ja proveri svojata tehnologija na proizvodstvo, preku
proseqnata potroxuvaqka na benzin na proizvedeniot avtomobil.
Sluqajno se izbrani 100 avtomobili od taa marka i testirana
e potroxuvaqkata na benzin na 100km, kaj sekoj od niv. Pritoa,
dobieni se slednite rezultati:
Poznato e deka dozvolenoto otstapuvanje iznesuva√
122, 1l. Pri
nivo na znaqajnost na testot 0, 05 oceni dali moe da se prifati:
a) hipotezata deka proseqnata potroxuvaqka na benzin na 100km
ne e 8,4 litri;
b) hipotezata deka proseqnata potroxuvaqka na benzin na 100km
e pogolema od 8,5 litri.
Rexenie. Vo ovoj test obelejeto X e potroxuvaqkata na ben-
zin na 100km kaj ispituvanata marka na avtomobili.
Prvo da gi proverime uslovite za primena na testot:
1. Disperzijata na sluqajnata promenliva X, D (X), e poznata,
t. e. D (X) =(√
122, 1)2
= 122, 1.
2. Obemot na primerokot e dovolno golem, t. e. n = 100 > 30.
Uslovite se zadovoleni, pa moe da pristapime kon testot.
a) Ovde, proizvoditelot, spored svoite pretpostavki za tehno-
logijata na proizvodstvo, smeta deka proseqnata potroxuvaqka
Matematika II (za studenti po biologija) 303
na benzin na 100km treba da iznesuva 8,4 litri, no sepak, vrz os-
nova na nekoi informacii, poqnuva da se somneva vo toa i saka
da proveri dali navistina e taka. Za proverka vo ovoj sluqaj, ke
postavime hipotezi od vidot
(I):H0 : E (X) = 8, 4l , H1 : E (X) 6= 8, 4l.
Ovde µ0 = 8, 4, a
σX =√
D(X)
=σ√n
=
√122, 1√100
= 1, 11.
Potoa, za da ja presmetame vrednosta x, ja pravime slednata tabela:
Ottuka
x =x1f1 + x2f2 + ... + x5f5
f1 + f2 + ... + f5=
5 · 8 + 7 · 22 + ... + 13 · 10100
= 8, 24.
Sega moeme da ja presmetame i vrednosta na Z za ovoj prime-
rok. Taa e
z =x − µ0
σX
=x − µ0
σ√n
=8, 24 − 8, 4
1, 11= −0, 144.
Ednata kritiqna vrednost pri ova nivo na znaqajnost, 0, 05, pro-
qitano vo tabelata 1, e 1,96. Bidejki z = −0, 144 > −1, 96 nultata
hipoteza ne ja otfrlame, t. e. donesuvame zakluqok deka, vrz
osnova na zemeniot primerok, ne ja prifakame hipotezata deka
proseqnata potroxuvaqka na benzin na 100km ne e 8,4 litri.
b) Ako proizvoditelot povtorno spored svoite pretpostavki za
tehnologijata na proizvodstvo, smeta deka proseqnata potroxu-
vaqka na benzin na 100km treba da bide pomala od 8,5 litri, no
vrz osnova na nekoi informacii, poqnuva da se somneva vo toa i
saka da proveri dali navistina e taka, togax ke postavime hipo-
tezi od vidot
(II):H0 : E (X) ≤ 8, 5l, H1 : E (X) > 8, 5l.
304 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Znaqi, stanuva zbor za ednostran test.
I ovde
σX =√
D(X)
=σ√n
=
√122, 1√100
= 1, 11,
x = 8, 24, a µ0 = 8, 5. Sega moeme da ja presmetame i vrednosta na
Z za ovoj primerok. Taa e
z =x − µ0
σX
=x− µ0
σ√n
=8, 24 − 8, 5
1, 11= −0, 23.
Kritiqna vrednost, zα, ja qitame od tabelata 2, i taa e zα = 1, 645.
Bidejki z = −0, 23 < 1, 645, hipotezata ne ja otfrlame, t. e. done-
suvame zakluqok deka, vrz osnova na zemeniot primerok, ne ja
prifakame hipotezata deka proseqnata potroxuvaqka na benzin
na 100km e pogolema od 8,5 litri.
v) Ako nultata i alternativnata hipoteza se od vidot (III), t.
e. H0 : E (X) ≥ µ0, H1 : E (X) < µ0, toga povtorno stanuva zbor za
ednostran test. I kaj ovoj vid na testovi, imame edna kritiqna
vrednost, ja oznaquvame so −zα, a kritiqniot domen e mnoestvoto
B = (−∞,−zα). Gledano na brojnata oska, kritiqniot domen se
naoga od levata strana na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot
z, kade z = x−µ0
σX= x−µ0
σ√n
, pripaga na mnoestvoto B = (−∞,−zα),
odnosno ako z < −zα. Pritoa, verojatnosta na grexkata od prv
tip ne e pogolema od α. Vo sprotivno nultata hipoteza ne treba
da se otfrli i dobienoto otstapuvanje na x od µ0 ne e statistiqki
znaqajno.
Vo slednata tabela, ke gi dademe kritiqnite vrednosti na Z
za najqesto koristeni vrednosti za α.
Primer 3. So merenje na teinata na 100 sluqajno izbrani
pakuvanja na eden vid na proizvod, dobieni se slednite rezultati:
Matematika II (za studenti po biologija) 305
Ako dozvoleneto otstapuvanje iznesuva 20g, pri nivo na znaqaj-
nost na testot 0,05 oceni dali moe da se prifati hipotezata
deka proseqnata teina na pakuvanjeto na ovoj proizvod e pomala
od 800g.
Rexenie. Vo ovoj test obelejeto X e teinata na pakuvanjeto
na dadeniot proizvod.
Prvo da gi proverime uslovite za primena na testot:
1. Disperzijata na sluqajnata promenliva X, D (X), e poznata,
t. e. D (X) = 202 = 400.
2. Obemot na primerokot e dovolno golem, t. e. n = 100 > 30.
Uslovite se zadovoleni, pa moe da pristapime kon testot.
Ovde postavuvame hipotezi od vidot
(III):H0 : E (X) ≥ 800g, H1 : E (X) < 800g.
Povtorno, stanuva zbor za ednostran test, no sega od tipot v).
Ovde µ0 = 800,
σX =√
D(X)
=σ√n
=20√100
= 2,
a aritmetiqkata sredina na primerokot e
x =x1f1 + x2f2 + ... + x7f7
f1 + f2 + ... + f7
=780 · 5 + 790 · 7 + ... + 820 · 14
100= 801, 6.
Sega moeme da ja presmetame i vrednosta na Z za ovoj prime-
rok. Taa e
z =x− µ0
σX
=x − µ0
σ√n
=801, 6 − 800
2= 0, 8.
Kritiqna vrednost, zα, ja qitame od tabelata 3, i taa e −zα =
−1, 645. Bidejki z = 0, 8 > −1, 645, hipotezata ne ja otfrlame, t. e.
donesuvame zakluqok deka, vrz osnova na zemeniot primerok, ne ja
prifakame hipotezata deka proseqnata teina na pakuvanjeto na
306 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
ovoj proizvod e pomala od 800g.
Testot za proverka na hipotezi za matematiqkoto oqekuvanje na
nekoe obeleje, vo sluqaj koga e ispolnet uslovot 1, t. e. koga e
poznata disperzijata na obelejeto se narekuva z-test.
Primer 4. Referentna vrednost za Na+ vo serum kaj humana
populacija e 140 mM so prifatlivo otstapuvanje (standardna de-
vijacija) ±4. Kaj 100 zdravi ispitanici utvrdeno e nivoto na
Na+. Dobienite vrednosti se prikaani vo slednata tabela:
Na+
mM, xi 132 136 137 139 140 142 144 145
Број на испитаници, fi 4 8 14 28 23 15 6 2
Pri nivo na znaqajnost na testot 0,01 oceni dali moe da se
prifati hipotezata deka proseqnata vrednost za Na+ vo serum kaj
humana populacija e 140 mM.
Rexenie.
N0 : E(H) = 140
N1 : E(H) 6= 140
1. Disperzijata na sluqajnata promenliva H, D(X), e poznata,
t.e. D(X) = 42 = 16.
2. Brojot na ispitanici e dovolno golem, t.e. n = 100 > 30.
Uslovite se zadovoleni, pa moe da se pristapi po testot.
µ0 = 140
σx =√
D(X)
= σ√n
= 4√100
= 0, 4
x = 132·4+136·8+137·14+139·28+140·23+142·15+144·6+145·24+8+13+27+23+15+6+4
= 13930100
= 139, 3mM
Sega moe da ja presmetame vrednosta na z
z =x− µ0
σx=
x − µ0
σ√n
=139, 3 − 140
0, 4= −1, 75
Ниво на значајност, α 0,1 0,05 0,01 0,005 0,002
Критични вредности, ± zα/2 ± 1,645 ± 1,96 ± 2,58 ± 2,81 ± 3,08
Pri nivo na znaqajnost od 0,01, soodvetno od tabelata (±2,58),
so kritiqen domen B (zα,∞), ako z = −1, 75 > −2, 58, hipotezata ne
Matematika II (za studenti po biologija) 307
ja otfrlame, odnosno moe da zakluqime deka vrz osnova na prime-
rocite za analiza, ja potvrduvame nultata hipoteza, pokonkretno
dobienata otstapka na od µ0 nema statistiqka signifikantnost.
Primer 5. Referentnite vrednosti za triacilgliceroli (TAG)
kaj humana populacija e 1,7 mM, so prifatlivo otstapuvanje (stan-
dardna devijacija) ±0,5. Kaj 100 zdravi ispitanici utvrdeno e
nivoto na TAG. Dobienite vrednosti se prikaani vo slednata
tabela:
Na+
mM, xi 1,26 1,38 1,56 1,8 1,85 1,92 2,12 2,38
Број на испитаници , fi 4 8 14 28 23 15 6 2
Pri nivo na znaqajnost na testot 0,05 oceni dali moe da se
prifati hipotezata deka proseqnata vrednost za triacilgliceroli
(TAG) kaj humana populacija e 1,7 mM.
4.25.2 Test za matematiqko oqekuvanje pri nepoznata dis-
perzija (t - test)
Vo praktikata, vo zadaqite za proverka na hipotezi za vred-
nosta na matematiqkoto oqekuvanje, E (X), na obelejeto X koe se
ispituva, mnogu e poqest sluqajot disperzijata, D (X) = σ2, da ne
e poznata. Toa znaqi deka prviot uslov za primena na testot 1,
kojxto ni ovozmouva da ja presmetame standardnata grexka σX,
ne e ispolnet. Bidejki σX ne moe da go presmetame, ne moeme
da ja presmetame nitu test-veliqinata Z. Vo ovoj sluqaj, stan-
dardnata devijacija σ ke ja ocenime vrz osnova na standardnata
devijacija s na primerokot X.
I ovde, posebno ke gi razgledame trite vida na nultata i al-
ternativnata hipoteza:
(I) H0 : E (X) = µ0 H1 : E (X) 6= µ0
(II) H0 : E (X) ≤ µ0 H1 : E (X) > µ0
(III) H0 : E (X) ≥ µ0 H1 : E (X) < µ0
kade xto µ0 e pretpostavenata ili propixanata proseqna vrednost
na obelejeto X, t. e. taa e zadadena brojna vrednost.
308 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Pred da pristapime na objasnuvanje na postapkata na proverka
na vidot na hipotezi koixto ke gi razgleduvame, ke gi dademe
uslovite koixto treba da bidat ispolneti za primena na ovoj
test.
Uslovi za primena na testot:
1. Disperzijata na sluqajnata promenliva X, D (X), ne e poz-
nata.
2. Raspredelbata na obelejeto X e simetriqna (relativnite
qestoti na vrednostite na obelejeto ramnomerno opagaat ili
rastat poqnuvajki od aritmetiqkata sredina) i unimodalna (samo
edna vrednost na obelejeto e so najgolema relativna qestota).
3. Obemot na primerokot e n ≥ 8.
Da pristapime kon izborot na test-veliqinata. Kako xto na
poqetokot spomnavme, standardnata devijacija σ ke ja ocenime
vrz osnova na standardnata devijacija s na primerokot X, t. e.
namesto σX = σ√n
ke ja koristime sX = s√n, kade
s =
√
f1x12 + f2x2
2 + ... + fkxk2 − nx2
n − 1
pa ja dobivame test-veliqinata
t =X − µ0
sX
=X − µ0
s√n
.
Realiziranata vrednost od primerokot e brojot
t =x − µ0
sX
=x − µ0
s√n
.
Povtorno ke napravime razgraniquvanje za vidot na hipotezite:
a) Nultata i alternativnata se od vidot (I);
b) Nultata i alternativnata se od vidot (II);
v) Nultata i alternativnata se od vidot (III).
a) Ako nultata i alternativnata hipoteza se od vidot (I), t. e.
H0 : E (X) = µ0, H1 : E (X) 6= µ0, togax stanuva zbor za dvostran
test. Kaj ovoj vid na testovi, imame dve kritiqni vrednosti, i
Matematika II (za studenti po biologija) 309
ako ednata ja oznaqime so tn−1;α/2 , drugata e −tn−1;α/2 , a kritiqniot
domen e mnoestvoto
B =(−∞,−tn−1;α/2
)∪(tn−1;α/2 ,∞
).
Kritiqnite vrednosti se qitaat od tabela I, dadena na krajot na
uqebnikot. Gledano na brojnata oska, kritiqniot domen se naoga
od dvete strani na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot t,
kade
t =x − µ0
sX
=x− µ0
s√n
pripaga na mnoestvoto
B =(−∞,−tn−1;α/2
)∪(tn−1;α/2 ,∞
)
odnosno ako t > tn−1;α/2 ili ako t < −tn−1;α/2 .
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema
od α. Vo sprotivno nultata hipoteza ne treba da se otfrli i
dobienoto otstapuvanje na x od µ0 ne e statistiqki znaqajno.
Primer 1. Postoi somne deka maxinata kojaxto pakuva odreden
proizvod, qijaxto propixana teina e 1kg, ne e veke precizna pa
bi trebalo da se izvrxi nejzin remont. Za da se donese odluka
za remont, izbiran e primerok od 16 pakuvanja na toj proizvod i
dobieni se slednite rezultati:
1,020; 1,010; 1,050; 1,015; 1,002; 1,008; 1,025; 0,998;
1,012; 1,033; 1,017; 1,001; 1,008; 1,011; 1,024; 1,006.
Pri nivo na znaqajnost 0,05, proveri dali na osnova na poda-
tocite dobieni od primerokot, somneot za preciznosta na maxi-
nata e opravdan.
Od iskustvo e poznato deka teinata na pakuvanjata na eden
proizvod go zadovoluvaat vtoriot uslov za primena na testot.
Rexenie. Bidejki otstapuvanjeto od propixanata teina (µ0 =
1) ne e dozvoleno vo nitu edna nasoka, ke postavime hipotezi od
vidot
310 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
(I) H0 : E (X) = 1 H1 : E (X) 6= 1.
Da ja presmetame vrednosta
t =x − µ0
sX
=x− µ0
s√n
za konkretniot primerok:
So zamena na
x =x1 + x2 + ... + xn
n=
1, 020 + 1, 010 + ... + 1, 006
16= 1, 015
i
sX =s√n
=1√n
√
x12 + x2
2 + ... + xn2 − nx2
n − 1=
=√
x12+x2
2+...+xn2−nx2
n(n−1)=√
1,0202+1,0102+...+1,0062−16·1,0152
16·15= 0, 0032,
vo t, dobivame
t =x − µ0
sX
=1, 015 − 1
0, 0032= 4, 6875.
Za n = 16, α = 0, 05, kritiqnata vrednost tn−1;α/2 , proqitana od
tabelata I, e
tn−1;α/2 = t15;0,025 = 2, 1315.
Bidejki
t = 4, 6875 > 2, 1315 = t15;0,025
zakluquvame deka nultata hipoteza treba da ja otfrlime, pa zna-
qi ja prifakame alternativnata hipoteza, t. e. prifakame deka
proseqnata teina na pakuvanjata na ovoj proizvod se razlikuva
od propixanata teina od 1kg. Pritoa, postoi rizik od 0,05 deka
sme otfrlile toqna nulta hipoteza.
b) Ako nultata i alternativnata hipoteza se od vidot (II),
t. e. H0 : E (X) ≤ µ0, H1 : E (X) > µ0, togax stanuva zbor za
ednostran test. Kaj ovoj vid na testovi, imame edna kritiqna
vrednost, ja oznaquvame so tn−1;α, a kritiqniot domen e mnoe-
stvoto B = (tn−1;α,∞). I ovde kritiqnite vrednosti se qitaat od
Matematika II (za studenti po biologija) 311
tabelata I, dadena na krajot na uqebnikot. Gledano na brojnata
oska, kritiqniot domen se naoga od desnata strana na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot t,
kade
t =x − µ0
sX
=x− µ0
s√n
pripaga na mnoestvoto B = (tn−1;α,∞), odnosno ako t > tn−1;α.
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema od α.
Vo sprotivno nultata hipoteza ne treba da se otfrli i dobienoto
otstapuvanje na x od µ0 ne e statistiqki znaqajno.
Primer 2. Ako vo prethodniot primer postoi somnevanje deka
pakuvanjata na proizvodot, vo prosek, se potexki od 1kg, pri nivo
na znaqajnost 0,05, proveri dali na osnova na podatocite dobieni
od primerokot, somneot e opravdan.
Rexenie. Opravdanosta na ova somnevanje ke ja proverime
so primena na ednostraniot test, t. e. ke postavime hipotezi
od vidot (II), t. e. H0 : E (X) ≤ 1, H1 : E (X) > 1. Bidejki
stanuva zbor za istiot primer, vrednosta t veke e presmetana i
t = x−µ0
sX= 1,015−1
0,0032= 4, 6875. Za n = 16, α = 0, 05, kritiqnata vrednost
tn−1;α, proqitana od tabelata I, e tn−1;α = t15;0,05 = 1, 7531. Bidejki
t = 4, 6875 > 1, 7531 = t15;0,05, zakluquvame deka nultata hipoteza
treba da ja otfrlime, pa znaqi ja prifakame alternativnata hi-
poteza, t. e. prifakame deka proseqnata teina na pakuvanjata na
ovoj proizvod e pogolema od propixanata teina od 1kg. Pritoa,
postoi rizik od 0,05 deka sme otfrlile toqna nulta hipoteza.
v) Ako nultata i alternativnata hipoteza se od vidot (III), t.
e. H0 : E (X) ≥ µ0, H1 : E (X) < µ0, togax povtorno stanuva zbor za
ednostran test. I kaj ovoj vid na testovi, imame edna kritiqna
vrednost, toa e brojot −tn−1;α, kade tn−1;α go qitame od tabelata
I, a kritiqniot domen e mnoestvoto B = (−∞,−tn−1;α). Gledano
na brojnata oska, kritiqniot domen se naoga od levata strana na
nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot t,
312 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
kade
t =x − µ0
sX
=x− µ0
s√n
pripaga na mnoestvoto B = (−∞,−tn−1;α), odnosno ako t < −tn−1;α.
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema od α.
Vo sprotivno nultata hipoteza ne treba da se otfrli i dobienoto
otstapuvanje na x od µ0 ne e statistiqki znaqajno.
4.25.3 Test za ednakvost na matematiqki oqekuvanja pri poz-
nati disperzii
Pokraj proverkata na hipotezi za vrednosta na obelejeto, vo
praktikata qestopati e potrebno da se sporedat vrednostite na
poveke obeleja, ili pak vrednostite na edno obeleje vo poveke
serii na nabljuduvanja. Taka, na primer, moe da se sporeduvaat:
vrednostite na odredena karakteristika na proizvodi proizve-
deni na razliqni maxini, vrednosta na nekoe obeleje pred i po
izvrxuvanje na nekoi promeni vo procesot vo koj se nabljuduva,
efektot od primena na dva preparati vo zemjodelieto, kvalitetot
na domaxni vo odnos na uvezeni proizvodi, uqestvoto na domaxni
vo odnos na stranski turisti i dr. Gledame deka predmetot na
proverka ne se vrednostite na eden parametar vo dve obeleja,
tuku sporedbata pomegu ovie dve vrednosti. Nie ke ja dademe
postapkata za proverka za ednakvost na proseqnite vrednosti na
dve obeleja.
Neka X i Y se dve obeleja. So E (X) i E (Y ) gi oznaquvame
matematiqkite oqekuvanja na X i Y , soodvetno, a so D (X) = σX2
i D (Y ) = σY2 gi oznaquvame disperziite na X i Y , soodvetno.
Bidejki proveruvame ednakvost na proseqnite vrednosti na dvete
obeleja, postapkata za proverka se vrxi vrz osnova na arit-
metiqkite sredini na primerocite za obelejata X i Y , koixto
gi oznaquvame so X i Y , soodvetno. Neka obemot na primerokot za
obelejeto X e nX , a na primerokot za obelejeto Y e nY i neka re-
aliziranite vrednosti na aritmetiqhkite sredini na izbranite
Matematika II (za studenti po biologija) 313
primeroci se x i y.
Ke gi razgledame trite najqesti sluqai, t.e. koga nultata i
alternativnata hipoteza se od vidovite:
(I) H0 : E (X) = E (Y ) H1 : E (X) 6= E (Y )
(II) H0 : E (X) ≤ E (Y ) H1 : E (X) > E (Y )
(III) H0 : E (X) ≥ E (Y ) H1 : E (X) < E (Y )
Pred da pristapime na objasnuvanje na postapkata na proverka
na vidot na hipotezi koixto ke gi razgleduvame, ke gi dademe
uslovite koixto treba da bidat ispolneti za primena na ovoj
test.
Uslovi za primena na testot:
1. Izbranite primeroci se megusebno nezavisni, odnosno izbo-
rot na elementite vo edniot primerok nema vlijanie na izborot na
elementite vo drugiot primerok. Toa znaqi, sluqajnate promen-
livi X i Y se nezavisno raspredeleni.
2. Disperziite na sluqajnate promenlivi X i Y , D (X) i D (Y ),
se poznati, t. e. D (X) = σX2 i D (Y ) = σY
2 se zadadeni brojni
vrednosti.
3. Obemite na primerocite se dovolno golemi, t. e. nX ≥ 30 i
nY ≥ 30.
Prvo treba da izbereme test-veliqina. Ako, na primer, ja
imame hipotezata od vidot (I), togax nultata hipoteza se sveduva
na hipoteza deka razlikata na matematiqkite oqekuvanja na X i Y
e ednakva na 0. Za nezavisno raspredelenite sluqajni promenlivi
X i Y vai:
1. E(X − Y
)= E
(X)− E
(Y)
= E (X) − E (Y );
2. D(X − Y
)= D
(X)
+ D(Y)
= σX2 + σY
2 = σX2
nX+ σY
2
nY.
Ottuka, sliqno kako vo testot 5.4.1., se dobiva deka test-veli-
qinata e
Z =X − Y − 0√
D(X − Y
) =X − Y
√σX
2
nX+ σY
2
nY
.
a) Ako nultata i alternativnata hipoteza se od vidot (I), t.
e. H0 : E (X) = E (Y ), H1 : E (X) 6= E (Y ), togax stanuva zbor
za dvostran test. Kaj ovoj vid na testovi, pri nivo na znaqa-
314 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
jnost α, imame dve kritiqni vrednosti, i ako ednata ja oznaqime
so zα/2 , drugata e −zα/2 , a kritiqniot domen e mnoestvoto B =(−∞,−zα/2
)∪(zα/2 ,∞
). Kritiqnite vrednosti gi qitame vo tabela
1, dadena vo testot 5.4.1.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot z,
kade
z =x − y
√σX
2
nX+ σY
2
nY
pripaga na mnoestvoto
B =(−∞,−zα/2
)∪(zα/2 ,∞
)
odnosno ako z > zα/2 ili ako z < −zα/2 . Pritoa, verojatnosta
na grexkata od prv tip ne e pogolema od α. Vo sprotivno nul-
tata hipoteza ne treba da se otfrli i dobienata razlika megu
aritmetiqkite sredini, x i y, na primerocite ne e statistiqki
znaqajna.
b) Ako nultata i alternativnata hipoteza se od vidot (II), t.
e. H0 : E (X) ≤ E (Y ), H1 : E (X) > E (Y ) togax stanuva zbor za
ednostran test. Kaj ovoj vid na testovi, pri izbrano nivo na
znaqajnost α, imame edna kritiqna vrednost, ja oznaquvame so zα,
a kritiqniot domen e mnoestvoto B = (zα,∞). Kritiqnite vred-
nosti gi qitame vo tabela 2, dadena vo testot 5.4.1.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot z,
kade
z =x − y
√σX
2
nX+ σY
2
nY
pripaga na mnoestvoto B = (zα,∞), odnosno ako z > zα. Pri-
toa, verojatnosta na grexkata od prv tip ne e pogolema od α. Vo
sprotivno nultata hipoteza ne treba da se otfrli i dobienata
razlika megu aritmetiqkite sredini, x i y, na primerocite ne e
statistiqki znaqajna.
v) Ako nultata i alternativnata hipoteza se od vidot (III), t. e.
H0 : E (X) ≥ E (Y ), H1 : E (X) < E (Y ), togax povtorno stanuva zbor
Matematika II (za studenti po biologija) 315
za ednostran test. I kaj ovoj vid na testovi, pri izbrano nivo na
znaqajnost α, imame edna kritiqna vrednost, ja oznaquvame so −zα,
a kritiqniot domen e mnoestvoto B = (−∞,−zα). Kritiqnite
vrednosti gi qitame vo tabelata 3, dadena vo testot 5.4.1.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot z,
kade
z =x − y
√σX
2
nX+ σY
2
nY
pripaga na mnoestvoto B = (−∞,−zα), odnosno ako z < −zα. Pri-
toa, verojatnosta na grexkata od prv tip ne e pogolema od α. Vo
sprotivno nultata hipoteza ne treba da se otfrli i dobienata
razlika megu aritmetiqkite sredini, x i y, na primerocite ne e
statistiqki znaqajna.
Primer 1. Neka eden ist vid na baterii gi proizveduvaat
dva razliqni proizvoditeli A i B. Se somnevame deka bateri-
ite proizvedeni od A i B ne se so ist kvalitet. Zatoa, na sekoja
od bateriite vo zemenite primeroci od 35 baterii od proizvodi-
telot A i 30 baterii od proizvoditelot B, mereno e vremetrae-
njeto na bateriite. Spored poznatiot princip na presmetuvanje na
proseqnata vrednost, presmetano e deka proseqnoto vremetraenje
na bateriite od proizvoditelot A iznesuva 9,7 qasa, dodeka na
bateriite od proizvoditelot B iznesuva 10 qasa. Standardnite
devijacii se poznati i iznesuvaat 1 qas za bateriite od proi-
zvoditelot A i 1,1 qasa za bateriite od proizvoditelot B. Pri
nivo na znaqajnost 0,05 proveri dali moe da se prifati pret-
postavkata deka bateriite od dvata proizvoditeli ne se so ist
kvalitet.
Rexenie. Ke postavime hipotezi od vidot
(II) H0 : E (X) = E (Y ), H1 : E (X) 6= E (Y ),
kade obelejeto X e vremetraenjeto na bateriite od proizvo-
ditelot A, a obelejeto Y e vremetraenjeto na bateriite od pro-
izvoditelot B.
Oqigledno e deka uslovite za primena na testot se ispolneti.
Vo uslovite na zadaqata e dadeno deka realiziranata vrednost na
316 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
aritmetiqkata sredina X e x = 9, 7, a realiziranata vrednost na
aritmetiqkata sredina Y e y = 10. Standardnite devijacii na X
i Y se poznati i σX = 1, a σY = 1, 1. Obemite na primerocite se
nX = 35 i nY = 30. Togax brojot
z =x − y
√σX
2
nX+ σY
2
nY
=9, 7 − 10√
12
35+ 1,12
30
=−0, 3
0, 26= −1, 15.
Ovoj e dvostran test, pa za α = 0, 05, kritiqnate vrednosti se
−zα/2 = −1, 96 i zα/2 = 1, 96, i bidejki z = −1, 15 > −1, 96 = −zα/2
nultata hipoteza ne ja otfrlame pri ova nivo na znaqajnost, t. e
ne moeme da prifatime deka proizvoditelite A i B proizvedu-
vaat baterii so razliqen kvalitet.
Primer 2. Neka sluqajno se izbrani po 50 momqinja od qetvrta
godina vo uqilixtata A i B. Merejki gi nivnite teini, utvr-
deno e deka proseqnata teina na momqinjata od qetvrta godina
vo uqilixteto A e 68, 2kg, a pak proseqnata teina na momqi-
njata od qetvrta godina vo uqilixteto B e 67, 5kg. Poznato e deka
standardnata devijacija vo sluqajot kaj uqilixteto A iznesuva
2, 5kg, a kaj B iznesuva 2, 8kg. Pri nivo na znaqajnost na testot,
0,05, proveri ja hipotezata deka proseqnata teina na momqi-
njata od qetvrta godina od uqilixteto A e pogolema na onie od
uqilixteto B.
Rexenie. Ke postavime hipotezi od vidot
(II) H0 : E (X) ≤ E (Y ) H1 : E (X) > E (Y ),
kade obelejeto X e teinata na uqenicite od uqilixteto A,
a obelejeto Y e teinata na uqenicite od uqilixteto B.
Oqigledno e deka uslovite za primena na testot se ispolneti.
Vo uslovite na zadaqata e dadeno deka realiziranata vrednost na
aritmetiqkata sredina X e x = 68, 2, a realiziranata vrednost na
aritmetiqkata sredina Y e y = 67, 5. Standardnite devijacii na
X i Y se poznati i σX = 2, 5, a σY = 2, 8. Togax brojot
z =x − y
√σX
2
nX+ σY
2
nY
=68, 2 − 67, 5√
2,52
50+ 2,82
50
=0, 7
0, 53= 1, 32.
Matematika II (za studenti po biologija) 317
Za α = 0, 05, kritiqnata vrednost e zα = 1, 645, pa bidejki z =
1, 32 < 1, 645 = zα nultata hipoteza ne ja otfrlame pri ova nivo na
znaqajnost.
4.25.4 Test za ednakvost na matematiqki oqekuvanja
pri nepoznati disperzii
Vo praktikata, vo zadaqite za proverka na hipotezi za ed-
nakvosta na matematiqkite oqekuvanja, E (X) i E (Y ), na obele-
jeta Xi Y koi se ispituvaat, mnogu e poqest sluqajot disperziite,
D (X) = σX2 i D (Y ) = σY
2, da ne se poznati. Toa znaqi deka vto-
riot uslov za primena na testot 3, kojxto ni ovozmouva da gi
presmetame standardnite grexki σX i σY , ne e ispolnet. Vo ovoj
sluqaj, ke pretpostavime deka standardnite devijacii σX i σY se
ednakvi i nivnata edinstvena vrednost ke ja ocenime vrz osnova na
standardnite devijacii sX i sY na primerocite Xi Y . Neka obe-
mot na primerokot za obelejeto X e nX, a na primerokot za obe-
lejeto Y e nY i neka realiziranite vrednosti na aritmetiqkite
sredini na izbranite primeroci se x i y.
Nultata i alternativnata hipoteza se javuvaat vo slednite tri
vida:
(I) H0 : E (X) = E (Y ) H1 : E (X) 6= E (Y )
(II) H0 : E (X) ≤ E (Y ) H1 : E (X) > E (Y )
(III) H0 : E (X) ≥ E (Y ) H1 : E (X) < E (Y ) .
Pred da pristapime na objasnuvanje na postapkata na proverka
na vidot na hipotezi koixto ke gi razgleduvame, ke gi dademe
uslovite koixto treba da bidat ispolneti za primena na ovoj
test.
Uslovi za primena na testot:
1. Izbranite primeroci se megusebno nezavisni, odnosno izbo-
rot na elementite vo edniot primerok nema vlijanie na izborot na
elementite vo drugiot primerok. Toa znaqi, sluqajnate promen-
livi X i Y se nezavisno raspredeleni.
2. Disperziite na sluqajnate promenlivi X i Y , D (X) i D (Y ),
318 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
ne se poznati, no se znae deka tie se ednakvi, t. e. D (X) = σX2 =
σY2 = D (Y ) = σ2.
3. Raspredelbata na obelejata X i Y se simetriqni i uni-
modalni.
4. Obemite na primerocite se nX ≥ 8, nY ≥ 8.
Da pristapime kon izborot na test-veliqinata. Standardnata
devijacija σ ke ja ocenime vrz osnova na standardnite devijacii
sX i sY na primerocite X i Y t. e. za σ ke ja koristime vrednosta
σp2 =
(nX − 1) sX2 + (nY − 1) sY
2
nX + nY − 2
kade
sX =
√
f1x12 + f2x2
2 + ... + fkxk2 − nX x2
nX − 1
sY =
√
f1′x1
2 + f2′x2
2 + ... + fm′xm
2 − nY y2
nY − 1.
So zamena na ovaa vrednost σp2 na mestoto na σX
2 i σY2, vo
statistikata
Z =X − Y − 0√
D(X − Y
) =X − Y
√σX
2
nX+ σY
2
nY
dobivame nova test-veliqina, a toa e veliqinata
t =X − Y
√σp
2
nX+ σp
2
nY
=X − Y
σp
√1
nX+ 1
nY
.
Realiziranata vrednost od primerokot e brojot
t =x − y
σp
√1
nX+ 1
nY
.
Povtorno ke napravime razgraniquvanje za vidot na hipotezite:
a) Nultata i alternativnata se od vidot (I);
Matematika II (za studenti po biologija) 319
b) Nultata i alternativnata se od vidot (II);
v) Nultata i alternativnata se od vidot (III).
a) Ako nultata i alternativnata hipoteza se od vidot (I), t. e.
H0 : E (X) = E (Y ), H1 : E (X) 6= E (Y ), togax stanuva zbor za dvos-
tran test. Kaj ovoj vid na testovi, imame dve kritiqni vrednosti,
i ako ednata ja oznaqime so tnX+nY −2;α/2 , drugata e −tnX+nY −2;α/2 , a
kritiqniot domen e mnoestvoto
B =(−∞,−tnX+nY −2;α/2
)∪(tnX+nY −2;α/2 ,∞
).
Kritiqnite vrednosti se qitaat od tabelata I, dadena na krajot na
uqebnikot. Gledano na brojnata oska, kritiqniot domen se naoga
od dvete strani na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot t,
kade
t =x− y
σp
√1
nX+ 1
nY
pripaga na mnoestvoto
B =(−∞,−tnX+nY −2;α/2
)∪(tnX+nY −2;α/2 ,∞
)
odnosno ako t > tnX+nY −2;α/2 ili ako t < −tnX+nY −2;α/2 . Pritoa,
verojatnosta na grexkata od prv tip ne e pogolema od α. Vo spro-
tivno nultata hipoteza ne treba da se otfrli. i dobienata ra-
zlika megu aritmetiqkite sredini, x i y, na primerocite ne e
statistiqki znaqajna.
b) Ako nultata i alternativnata hipoteza se od vidot (II), t.
e. H0 : E (X) ≤ E (Y ), H1 : E (X) > E (Y ), togax stanuva zbor
za ednostran test. Kaj ovoj vid na testovi, imame edna kriti-
qna vrednost, ja oznaquvame so tnX+nY −2;α, a kritiqniot domen e
mnoestvoto B = (tnX+nY −2;α,∞). I ovde kritiqnite vrednosti se
qitaat od tabelata I, dadena na krajot na uqebnikot. Gledano na
brojnata oska, kritiqniot domen se naoga od desnata strana na
nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot t,
320 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
kade
t =x− y
σp
√1
nX+ 1
nY
pripaga na mnoestvoto B = (tnX+nY −2;α,∞), odnosno ako
t > tnX+nY −2;α.
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema od α.
Vo sprotivno nultata hipoteza ne treba da se otfrli i dobienata
razlika megu aritmetiqkite sredini, x i y, na primerocite ne e
statistiqki znaqajna.
v) Ako nultata i alternativnata hipoteza se od vidot (III),
t. e. H0 : E (X) ≥ E (Y ), H1 : E (X) < E (Y ), togax povtorno
stanuva zbor za ednostran test. I kaj ovoj vid na testovi, imame
edna kritiqna vrednost, toa e brojot −tnX+nY −2;α, kade tnX+nY −2;α
go qitame od tabelata I, a kritiqniot domen e mnoestvoto B =
(−∞,−tnX+nY −2;α). Gledano na brojnata oska, kritiqniot domen se
naoga od levata strana na nulata.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot t,
kade
t =x− y
σp
√1
nX+ 1
nY
pripaga na mnoestvoto B = (−∞,−tnX+nY −2;α), odnosno ako t <
−tnX+nY −2;α. Pritoa, verojatnosta na grexkata od prv tip ne e
pogolema od α. Vo sprotivno nultata hipoteza ne treba da se
otfrli i dobienata razlika megu aritmetiqkite sredini, x i y,
na primerocite ne e statistiqki znaqajna.
Primer 1. Vo edna fabrika eden proizvod se izrabotuva na
dve maxini A i B. Mereni se ednoqasovnite proizvodstva na toj
proizvod na maxinata A i na maxinata B. Pritoa, na maxinata
A dobieni se slednite rezultati: 42, 42, 41, 42, 43, 42, 41, 43,
a na maxinata B slednite: 43, 40, 41, 42, 40, 42, 41, 39, 41, 41.
Da se proveri, pri nivo na znaqajnost na testot α = 0, 05, dali
maxinite A i B rabotat so razliqna brzina (pri pretpostavka za
Matematika II (za studenti po biologija) 321
ednakvost na disperziite na nabljuduvanite obeleja).
Rexenie. Ovde obelejeto X e brojot na proizvodi, proizve-
deni na maxinata A vo tekot na eden qas, a obelejeto Y e brojot
na proizvodi, proizvedeni na maxinata B vo tekot na eden qas.
Ke postavime hipotezi od vidot
(I) H0 : E (X) = E (Y ) H1 : E (X) 6= E (Y ).
Pred da pomineme na presmetuvanje na potrebnite vrednosti za
primena na testot, podatocite od primerocite ke gi grupirame:
Za maxinata A:
Za maxinata B:
Vo naxiot primer nX = 8, nY = 10, a
x =x1f1 + x2f2 + x3f3
nX=
41 · 2 + 42 · 4 + 43 · 28
= 42
y =x′
1f′1 + x′
2f′2 + ... + x′
5f′5
nY=
39 · 1 + 40 · 2 + 41 · 4 + 42 · 2 + 43 · 110
= 41
i
sX =
√
f1x12 + f2x2
2 + f3x32 − nX x2
nX − 1=
=
√
2 · 412 + 4 · 422 + 2 · 432 − 8 · 422
8 − 1=√
0, 57 = 0, 76
sY =
√
f1′x1
2 + f2′x2
2 + ... + f5′x5
2 − nY y2
nY − 1=
322 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
=
√
1 · 392 + 2 · 402 + 4 · 412 + 2 · 422 + 1 · 432 − 10 · 412
10 − 1=√
1, 33 = 1, 15.
Sega
σp2 =
(nX − 1) sX2 + (nY − 1) sY
2
nX + nY − 2=
(8 − 1) 0, 57 + (10 − 1) 1, 33
8 + 10 − 2= 0, 998
a
t =x − y
σp
√1
nX+ 1
nY
=42 − 41
√0, 998
√18
+ 110
= 2, 11.
Pri nivo na znaqajnost na testot α = 0, 05,
tnX+nY −2;α/2 = t16;0,025 = 2, 12.
Bidejki
2, 11 = t < 2, 12 = tnX+nY −2;α/2 ,
zakluquvame deka nultata hipoteza ne treba da se otfrli, t. e.
prifakame deka maxinite A i B ne rabotat so razliqna brzina.
4.26 Testovi za disperzija
Kako xto znaeme disperzijata pretstavuva merka za otstapuva-
nje na vrednostite na edna sluqajna promenliva od nejzinoto mate-
matiqko oqekuvanje. Taka, disperzijata ja odrazuva toqnosta na
merenjata, toqnosta na izrabotkata, opxto, stabilnosta na eden
proces ili homogenosta na populacijata koja xto ja nabljuduvame
preku dadeno nejzino obeleje. Zatoa, vo statistiqkite ispitu-
vanja vani se proverkite na hipotezite za vrednosta na disper-
zijata i proverkite na hipotezite za ednakvost na disperziite.
Vo prodolenie ke ja objasnime postapkata na sproveduvanje na
ovie testovi, pogodnosta na izborot na sekoj test, kako i kon-
kretno sproveduvanje na testot niz soodvetno izbrani primeri.
Matematika II (za studenti po biologija) 323
4.26.1 Test za vrednosta na disperzijata
Neka se razgleduva obeleje X na dadena populacija. Kako i
dosega so E (X) go oznaquvame matematiqkoto oqekuvanje na X, a
so D (X) = σ2 ja oznaquvame disperzijata na X. Neka zakluqocite
za obelejeto se donesuvaat vrz osnova na primerok od dadenata
populacija qij obem (broj na elementi vo primerokot) e n. I ovde,
ako realiziranite vrednosti na primerokot se povtoruvaat, t. e.
ako vrednosta x1 se javuva f1 pati, x2 se javuva f2 pati, . . . , xk se
javuva fk pati, togax
f1 + f2 + ... + fk = n
i reliziranata vrednost na aritmetiqkata sredina na primerokot
e
x =x1f1 + x2f2 + ... + xkfk
f1 + f2 + ... + fk=
x1f1 + x2f2 + ... + xkfk
n
a za standardnata devijacija ja koristime formulata za poprave-
nata standardna devijacija
s =
√
f1x12 + f2x2
2 + ... + fkxk2 − nx2
n − 1.
Ako vrz osnova na podatocite od primerokot za obelejeto X e
dobiena ocenka na disperzijata, na primer, pogolema od voobiqae-
nata (pretpostavenata) ili propixanata so soodvetni standardi
vrednost, σ02, se postavuva praxanjeto dali vo procesot ili popu-
lacijata qiexto obeleje se nabljuduva, nastanale promeni. Naj-
qesto, se javuva potreba od zadaqa za proverka na nultata vo odnos
na alternativnata hipoteza, kade H0 : D (X) = σ02, a H1 : D (X) >
σ02. Nie, ke gi razgledame trite sluqai na proverka na hipotezi,
t. e.:
(I) H0 : D (X) = σ02 H1 : D (X) 6= σ0
2
(II) H0 : D (X) = σ02 H1 : D (X) > σ0
2
(III) H0 : D (X) = σ02 H1 : D (X) < σ0
2
324 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Vo site sluqai, test-veliqinata e
(n − 1)S2
σ02
kojaxto pretstavuva sluqajna promenliva. Realiziranata vred-
nost od primerokot e brojot
χ2 = (n − 1)s2
σ02
(χ2 go qitame hi kvadrat). So sekoe izbrano nivo na znaqajnost
na testot, α, se opredeluva kritiqniot domen i kritiqnite vred-
nosti na χ2. Ke napravime razgraniquvanje za vidot na hipotezite:
a) Ako nultata i alternativnata hipoteza se od vidot (I), t.
e. H0 : D (X) = σ02, H1 : D (X) 6= σ0
2, togax stanuva zbor za dvos-
tran test. Kaj ovoj vid na testovi, imame dve kritiqni vrednosti,
ednata e χ2n−1;α/2 , drugata e χ2
n−1;1−α/2 , a kritiqniot domen e mno-
estvoto
B =(−∞, χ2
n−1;1−α/2
)∪(χ2
n−1;α/2 ,∞).
Pritoa, vrednostite χ2n−1;α/2 i χ2
n−1;1−α/2 se opredeluvaat od tabli-
cata II , dadena na krajot na uqebnikot.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot χ2,
kade χ2 = (n − 1) s2
σ02 , pripaga na mnoestvoto
B =(−∞, χ2
n−1;1−α/2
)∪(χ2
n−1;α/2 ,∞)
odnosno ako χ2 > χ2n−1;α/2 ili ako χ2 < χ2
n−1;1−α/2 . Pritoa, verojat-
nosta na grexkata od prv tip ne e pogolema od α. Vo sprotivno
nultata hipoteza ne treba da se otfrl i dobienoto otstapuvanje
na disperzijata od σ02 ne e statistiqki znaqajno.
b) Ako nultata i alternativnata hipoteza se od vidot
(II):H0 : D (X) = σ02, H1 : D (X) > σ0
2,
togax stanuva zbor za ednostran test. Vo ovoj sluqaj, povtorno,
Matematika II (za studenti po biologija) 325
od podatocite od primerokot se opredeluva vrednosta
χ2 = (n − 1)s2
σ02.
Pri nivo na znaqajnost na testot, α, imame edna kritiqna vred-
nost, ja oznaquvame so χ2n−1;α, a kritiqniot domen e mnoestvoto
B = (χ2n−1;α,∞). I ovde, vrednosta χ2
n−1;α se opredeluva od tabli-
cata II, dadena na krajot na uqebnikot.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot
χ2, kade χ2 = (n − 1) s2
σ02 , pripaga na mnoestvoto B = (χ2
n−1;α,∞),
odnosno ako χ2 > χ2n−1;α. Pritoa, verojatnosta na grexkata od
prv tip ne e pogolema od α. Vo sprotivno nultata hipoteza ne
treba da se otfrli i dobienoto zgolemuvanje na disperzijata ne
e statistiqki znaqajno i e rezultat na sluqajni faktori.
v) Ako nultata i alternativnata hipoteza se od vidot
(III):H0 : D (X) = σ02, H1 : D (X) < σ0
2,
i togax stanuva zbor za ednostran test. Povtorno, od podatocite
od primerokot se opredeluva vrednosta χ2 = (n − 1) s2
σ02 . Pri nivo
na znaqajnost na testot, α, imame edna kritiqna vrednost, ja oz-
naquvame so χ2n−1;1−α, a kritiqniot domen e mnoestvoto B = (−∞, χ2
n−1;1−α).
I ovde, vrednosta χ2n−1;1−α se opredeluva od tablicata II, dadena
na krajot na uqebnikot.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot χ2,
kade
χ2 = (n − 1)s2
σ02
pripaga na mnoestvoto B = (−∞, χ2n−1;1−α), odnosno ako
χ2 < χ2n−1;1−α.
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema od
α. Vo sprotivno nultata hipoteza ne treba da se otfrli i dobi-
enoto namaluvanje na disperzijata ne e statistiqki znaqajno i e
rezultat na sluqajni faktori.
Primer 1. Toqnosta na rabota na edna maxina, spored stan-
326 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
dardite, e σ02 = 0, 1. Napravena e kontrolna proverka so merenja
na teinata na 25 sluqajno izbrani proizvodi, izraboteni na taa
maxina. Pritoa, dobieni se slednite rezultati:
Pri nivo na znaqajnost na testot, α = 0, 05, proveri ja hipo-
tezata deka maxinata ne ja obezbeduva baranata toqnost i ima
potreba od nejzin remont.
Rexenie. Neka obelejeto X e teinata na proizvodite pro-
izvedeni na dadenata maxina. Treba da se sprovede postapka za
proverka na hipotezite od vidot:
H0 : D (X) = 0, 1 H1 : D (X) > 0, 1.
Spored podatocite od primerokot, imame deka n = 25 i
x =x1f1 + x2f2 + ... + x5f5
f1 + f2 + ... + f5
=
=3, 0 · 2 + 3, 5 · 6 + 3, 8 · 9 + 4, 4 · 7 + 4, 5 · 1
2 + 6 + 9 + 7 + 1=
96, 5
25= 3, 86
s =
√
f1x12 + f2x2
2 + ... + f5x52 − nx2
n − 1=
=
√
2 · 3, 02 + 6 · 3, 52 + 9 · 3, 82 + 7 · 4, 42 + 1 · 4, 52 − 25 · 3, 862
25 − 1=
=
√
4, 74
24=√
0, 1975 = 0, 444.
Sega brojot
χ2 = (n − 1)s2
σ02
= (25 − 1)0, 1975
0, 1= 47, 4.
Pri nivo na znaqajnost na testot, α = 0, 05, vrednosta na χ2n−1;α =
Matematika II (za studenti po biologija) 327
χ224;0,05, proqitana vo tablicata II iznesuva 36,415. Bidejki
47, 4 = χ2 > χ224;0,05 = 36, 415
zakluquvame deka nultata hipoteza treba da se otfrli, t. e.
prifakame deka maxinata ne ja obezbeduva baranata toqnost i
ima potrba od nejzin remont.
Opixaniot test za proverka na hipoteza za vrednosta na dis-
perzijata se narekuva hi-kvadrat-test.
4.26.2 Test za ednakvost na disperzii
Kako xto vidovme, eden od uslovite za primena na t-testot za
ednakvost na matematiqkite oqekuvanja na dve obeleja bexe ed-
nakvosta na nivnite disperzii. Osven ovde, potrebata od pro-
verka na ednakvosta na disperziite na dve obeleja, se javuva
i vo mnogu drugi vani zadaqi od praktikata. Imajki predvid
deka disperzijata ja odrazuva toqnosta na merenjata, toqnosta na
izrabotkata, stabilnosta na eden proces ili homogenosta na popu-
lacijata koja xto ja nabljuduvame preku dadeno nejzino obeleje,
stanuva jasno deka potrebata od proverka na ednakvost na dis-
perziite na dve obeleja ke se javi vo zadaqite kade xto imame:
sporeduvanje na toqnosta na dva aparati za merenje, sporeduvanje
na toqnosta na dve metodi za analiza, sporeduvanje na stabilnosta
na dva procesa, sporeduvanje na homogenosta na dve populacii itn.
Neka se razgleduvaat dve obeleja X i Y . Kako i dosega so
E (X) i E (Y ) gi oznaquvame matematiqkite oqekuvanja na X i Y ,
a so D (X) = σX2 i D (Y ) = σY
2 gi oznaquvame disperziite na X
i Y , soodvetno. Neka zakluqocite za obelejeto se donesuvaat
vrz osnova na primeroci za dvete obeleja, qii obemi (broj na
elementi vo primerocite) se nX i nY , soodvetno. I ovde, ako
realiziranite vrednosti na primerocite se povtoruvaat, t. e.
ako, vo primerokot za X, vrednosta x1 se javuva f1 pati, x2 se
328 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
javuva f2 pati, . . . , xk se javuva fk pati, togax
f1 + f2 + ... + fk = nX
i, ako, vo primerokot za Y , vrednosta x′1 se javuva f ′
1 pati, x′2 se
javuva f ′2 pati, . . . , x′
l se javuva f ′l pati, togax
f ′1 + f ′
2 + ... + f ′l = nY .
Pritoa, realiziranite vrednosti na aritmetiqhkite sredini na
primerocite za X i Y se
x =x1f1 + x2f2 + ... + xkfk
nX
i
y =x′
1f′1 + x′
2f′2 + ... + x′
lf′l
nY
a za standardnite devijacii gi koristime formulite za poprave-
nite standardni devijaciii, t. e.
sX =
√
f1x12 + f2x2
2 + ... + fkxk2 − nX x2
nX − 1
i
sY =
√
f ′1x′
12 + f ′
2x′22 + ... + f ′
lx′l2 − nY y2
nY − 1.
Ako vrz osnova na podatocite od primerocite za obelejetata
X i Y se presmetani popravenite ocenki na disperziite sX2 i
sY2, soodvetno i ako pritoa, ednata od niv e pogolema, na primer,
sX2»sY
2, togax se postavuva zadaqata za proverka na nultata vo
odnos na alternativnata hipoteza, kade H0 : D (X) = D (Y ), a
H1 : D (X) > D (Y ). Ovde stanuva zbor za ednostran test. Bidejki
vo praktikata, najqesto se javuvaat zadaqi od ovoj tip, nie ke ja
razgledame samo postapkata na proverka na ovoj vid na hipotezi.
Prirodno e proverkata da se izveduva so brojot sX2
sY2 , prixto, na-
Matematika II (za studenti po biologija) 329
glasuvame deka vo broitelot se stava pogolemata od presmetanite
disperzii. Jasno, ako nultata hipoteza e toqna oqekuvame vred-
nostite sX2 i sY
2 da bidat priblino ednakvi. Znaqi, vo ovoj
sluqaj, koliqnikot sX2
sY2 ima pomala vrednost. Kritiqniot domen,
kako i sekogax dosega, zavisi od nivoto na znaqajnost na testot,
α, no i od obemite na primerocite.
Vo ovoj sluqaj, od podatocite od primerokot se opredeluva
vrednosta F = sX2
sY2 . Pri nivo na znaqajnost na testot, α, imame
edna kritiqna vrednost, ja oznaquvame so FnX−1,nY −1;α, a kritiq-
niot domen e mnoestvoto B = (FnX−1,nY −1;α,∞).
Vrednosta FnX−1,nY −1;α se opredeluva od tablicata III, dadena
na krajot na uqebnikot.
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot,
F kade F = sX2
sY2 , pripaga na mnoestvoto B = (FnX−1,nY −1;α,∞),
odnosno ako F > FnX−1,nY −1;α. Pritoa, verojatnosta na grexkata
od prv tip ne e pogolema od α. Vo sprotivno nultata hipoteza ne
treba da se otfrli i razlikata na disperziite na obelejata ne
e statistiqki znaqajna i e rezultat na sluqajni faktori.
Primer 1. Dve maxini, A i B, od ist tip, izrabotuvaat eden
proizvod so odredena dimenzija. Da pretpostavime deka arit-
metiqkata sredina na razgleduvanite dimenzii zavisi samo od
podesenosta na maxinite, a otstapuvanjata na dimenziite od sred-
nata vrednost zavisi od rabotnikot koj raboti so maxinata. Ze-
meni se dva primeroka, edniot od proizvodi izraboteni na ma-
xinata A, a drugiot od proizvodi izraboteni na maxinata B i
izmerena e razgleduvanata dimenzija na sekoj od niv. Dobieni se
slednite rezultati:
Za rabotnikot na maxinata A: 2,09; 2,06; 2,09; 2,04; 2,11; 2,07;
2,08; 2,10; 2,08; 2,10; 2,08; 2,09; 2,05; 2,12; 2,10; 2,05; 2,08; 2,06;
2,12; 2,09; 2,11.
Za rabotnikot na maxinata B: 2,01; 2,09; 2,04; 2,03; 2,05; 2,04;
2,02; 2,08; 2,06; 2,04; 2,07; 2,05; 2,05; 2,06; 2,04; 2,07; 2,03; 2,06;
2,05; 2,02; 2,06.
Dali vrz osnova na podatocite od primerocite, pri nivo na
330 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
znaqajnost na testot α = 0, 05, moe da se zakluqi deka edniot
rabotnik e poprecizen od drugiot rabotnik?
Rexenie. Bidejki nekoi od podatocite se povtoruvaat, prvo
ke gi grupirame:
Za rabotnikot na maxinata A:
Za rabotnikot na maxinata B:
Vo primerot nX = 21 i nY = 21,
x =x1f1 + x2f2 + ... + x9f9
nX=
=1 · 2, 04 + 2 · 2, 05 + ... + 2 · 2, 11 + 2 · 2, 12
21=
43, 77
21= 2, 0843
y =x
′1f
′1 + x
′2f
′2 + ... + x
′9f
′9
nY=
=1 · 2, 01 + 2 · 2, 02 + ... + 1 · 2, 08 + 1 · 2, 09
21=
43, 02
21= 2, 0486
sX =
√
f1x21 + f2x2
2 + ... + f9x29 − nX x2
nX − 1=
=
√
1 · 2, 042 + 2 · 2, 052 + ... + 2 · 2, 122 − 21 · 2, 08432
21 − 1=
=
√
0, 009266
20=√
0, 0004633 = 0, 0215
sY =
√
f′1x
′21 + f
′2x
′22 + ... + f
′9x
′29 − nY y2
nY − 1=
Matematika II (za studenti po biologija) 331
=
√
1 · 2, 012 + 2 · 2, 022 + ... + 1 · 2, 092 − 21 · 2, 04862
21 − 1=
=
√
0, 005801
20=√
0, 00029 = 0, 0170
Bidejki sX2 > sY
2, postavuvame hipotezi od vidot
H0 : D (X) = D (Y ), H1 : D (X) > D (Y ).
Brojot
F =sX
2
sY2
=0, 0004633
0, 00029= 1, 5976
a pri nivo na znaqajnost na testot α = 0, 05, kritiqnata vrednost
e
FnX−1,nY −1;α = F20,20;0,05 = 2, 12.
Bidejki
F = 1, 5976 < 2, 12 = FnX−1,nY −1;α
sleduva deka nultata hipoteza ne ja otfrlame, t. e. vrz osnova na
podatocite od primerocite zakluquvame deka dvata rabotnika se
podednakvo precizni.
Opixaniot test za proverka na hipoteza za ednakvost na dis-
perzii se narekuva F -test.
Primer 2. Da se konstatira dali insulinska terapija kaj
pacienti so dijabet tip 1 vlijae na pacientite, spored vrednos-
tite za serumska glukoza pred i po administriranje na terapijata
dadeni vo tabelata:
332 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
mM Глукоза пред
администрирање
mM глукоза по
администрирање
9,6 4,3
9,2 4,0
10,5 5,6
9,8 4,7
11,3 5,2
7,6 3,8
12,1 5,8
8,3 4,6
8,5 4,9
10,2 5,4
Rexenie. Nultata hipoteza pretstavuva deka nema signifi-
kantna razlika pred i po tretman so insulin kaj pacienti so di-
jabet tip 1. Se postavuva i alternativna hipoteza deka postoi
monost za znaqajna razlika po tretmanot so insulin kaj pacienti
so dijabet tip 1.
N0 : E(H) = E(Y )
N1 : E(H) 6= E(Y ).
Uslovite za izveduvanje na statistiqki test se ispolneti (do-
volen broj primeroci n > 8; poznata disperzija na sluqajnata
promenliva i ramnomerna raspredelba na relativnite qestoti na
vrednostite). Potrebno e da se napravi dopolnitelen test za ed-
nakvost na disperziite.
Se presmetuvaat srednata vrednost i standardnata devijacija
na nivoto na glukoza vo dvata sluqai.
x = 9,6+9,2+10,5+9,8+11,3+7,6+12,1+8,3+8,5+10,210
= 9, 71
y = 4,3+4,0+5,6+4,7+5,2+3,8+5,8+4,6+4,9+5,410
= 4, 83
Se presmetuvaat disperziite na promenlivite.
Dx = s2x = 1, 392 = 1, 9321
Dy = s2y = 0, 672 = 0, 4489.
Kritiqna vrednost za F za nivo na znaqajnost od α = 0, 05 vo
ovoj sluqaj e 3,18 po xto sleduva deka 4, 30 > 3, 18, odnosno deka
postoi znaqajna razlika pomegu dvete disperzii i se prifaka al-
ternativnata hipoteza.
Matematika II (za studenti po biologija) 333
Se izveduva t−test za nezavisni promenlivi so neednakvi dis-
perzii:
t =x − y
√s2x
n1+
s2y
n2
= 10, 01
Kritiqna vrednost za dvostran t−test pri nivo na znaqajnost
α = 0, 05 e 2,16 pa bidejki 10, 01 > 2, 16 se otfrla nultata hipo-
teza, odnosno se konstatira deka insulinskata terapija vlijae na
nivoto na serumska glukoza kaj pacienti so dijabet tip 1.
Primer 3. Da se konstatira dali ima znaqajna razlika vo ak-
tivnosta na katalazata vo serum kaj hiperholesterolemicni vs.
kontrolni pacienti spored vrednostite za serumska dadeni vo
tabelata:
U/mL Cat
(контролни)
U/mL Cat
(хиперхолест.)
49,3 27,3
49,5 42,7
51,6 78,6
52,4 80,5
53,7 55,4
51,9 105,9
53,5 95,3
50,8 36,4
55,2 72,8
53,6 111,7
Da se oceni dali pri nivo na znaqajnost 0,05 ima porast na
katalazata kako protektiven enzim pri vospalitelni procesi pre-
dizvikani od zgolemenoto nivo na holesterol vo cirkulacija.
Rexenie.
x = 52, 15 y = 70, 66
σ1 =
√nP
i=1(xi−x)2
n−1= 1, 91; σ2 =
√nP
i=1(yi−y)2
n−1= 29, 32
Se presmetuvaat disperziite na promenlivite.
Dx = s2x = 1, 912 = 3, 67; Dy = s2
y = 29, 322 = 862, 91
334 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Se izveduva i test za ednakvost na disperziite so nulta hipo-
teza
H0 : D(H) = D(Y )
i alternativna hipoteza
H1 : E(H) > E(Y ).
F =s2
y
s2x
=862, 91
3, 67= 235, 12.
Kritiqna vrednost za F za nivo na znaqajnost od α = 0, 05 vo
ovoj sluqaj e 3,18 po xto sleduva deka 235, 12 > 3, 18 odnosno deka
postoi znaqajna razlika pomegu dvete disperzii i se prifaka al-
ternativnata hipoteza.
Se izveduva ttest za nezavisni promenlivi so neednakvi dis-
perzii
t =x− y
√s2x
n1+
s2y
n2
= 1, 98.
Kritiqna vrednost za dvostran t−test pri nivo na znaqajnost
α = 0, 05 e 2,16 pa bidejki 1, 98 < 2, 16 ne se otfrla nultata hipoteza
odnosno se konstatira deka kaj hiperholesterolemicni pacienti
nema znaqajno pokaquvanje na aktivnosta na serumskata katalaza.
Primer 4. Se sledi nivoto na alanin aminotransferaza (ALT)
kako biomarker za oxtetuvanjeto na crn drob kaj laboratoriski
staorci po intraperitonealna administracija na razliqna doza
na ksenobiotik (10 i 15 mg/kg).
Matematika II (za studenti po biologija) 335
U/L ALT
(доза 10 mg/kg)
U/L ALT
(доза 15 mg/kg)
72,4 78,3
70,5 80,7
71,3 81,6
74,6 79,5
75,1 82,4
69,4 77,9
70,3 80,3
73,5 79,4
72,8 81,8
68,6 79,7
Da se oceni dali pri nivo na znaqajnost 0,05 dozata na kseno-
biotikot znaqajno go menuva serumskoto nivoto na alanin amino-
tranferazata
Rexenie. Se presmetuvaat disperziite na promenlivite.
Dx = s2x = 2, 192 = 4, 79
Dy = s2y = 1, 492 = 2, 22
F = s2x
s2y
= 4,792,22
= 2, 17
Kritiqna vrednost za F za nivo na znaqajnost od α = 0, 05 vo
ovoj sluqaj e 3,18 po xto sleduva deka 2, 17 < 3, 18, odnosno deka
ne postoi znaqajna razlika pomegu dvete disperzii i ne se ot-
frla nultata hipoteza. Za opredeluvanje statistiqka razlika se
koristi t−test za ednakvi disperzii.
t =x − y
σp
√1n1
+ 1n2
= −9, 93
Kritiqna vrednost za dvostran t−test pri nivo na znaqajnost
α = 0, 05 e 2,1 pa bidejki 9, 93 > 2, 1 se otfrla nultata hipoteza,
odnosno se konstatira deka dozata na ksenobiotikot znaqajno go
menuva serumskoto nivoto na alanin aminotranferazata.
Primer 5. Se sledi nivoto na kisela fosfataza (AP) kako
tumor marker za kaj laboratoriski staorci po intragastralna
administracija na razliqna doza na kancerogena supstanca (10 i
20 mg/kg).
336 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
AP
(доза 10 mg/kg)
AP
(доза 20 mg/kg)
3,45 8,65
3,87 7,65
4,12 10,12
5,65 12,43
4,38 11,25
6,16 9,95
6,89 9,29
2,43 10,78
2,96 10,56
4,69 11,83
Da se oceni dali pri nivo na znaqajnost 0,05, zgolemuvanjeto
na aktivnosta na AP e proporcionalno so zgolemuvanje na dozata
na kancerogenata supstanca.
Rexenie.
x = 4, 46 y = 10, 25
σ1 =
√√√√√
n∑
i=1
(xi − x)2
n − 1= 1, 42; σ2 =
√√√√√
n∑
i=1
(yi − y)2
n − 1= 1, 45
Se presmetuvaat disperziite na promenlivite.
Dx = s2x = 1, 422 = 2, 02; Dy = s2
y = 1, 452 = 2, 11
Kritiqna vrednost za F za nivo na znaqajnost od α = 0, 05 vo
ovoj sluqaj e 3,18 po xto sleduva deka 0, 957 < 3, 18, odnosno deka
ne postoi znaqajna razlika pomegu dvete disperzii i ne se otfrla
nultata hipoteza. Za opredeluvanje na statisticka razlika se
koristi ttest za ednakvi disperzii.
t =x − y
σp
√1n1
+ 1n2
= −9, 02
Kritiqna vrednost za dvostran t−test pri nivo na znaqajnost
Matematika II (za studenti po biologija) 337
α = 0, 05 e 2,1 pa bidejki 9, 02 > 2, 1 se otfrla nultata hipoteza,
odnosno se konstatira deka zgolemuvanjeto na dozata na kance-
rogenot znaqajno vlijae na porastot na serumskata kisela fosfa-
taza.
4.27 Test za nezavisnost na obeleja
4.27.1 Test za soglasnosta na empiriskite so oqekuvanite
qestoti
Mnogupati rezultatite dobieni vrz osnova na primerok ne se
identiqki ednakvi so teoretskite rezultati xto se oqekuvaat spo-
red pravilata na verojatnosta. Na primer, pri 100 frlanja na
metalna para, pretpostavuvajki deka parata e homogena, spored
pravilata na verojatnosta, treba da se pojavat 50 grba i 50 pisma.
No, vo realnosta, ako eksperimentot so 100 frlanja na metalna
para go povtorime nekolkupati, mono e da se dobijat 48 grba
i 52 pisma, ili pak 53 grba i 47 pisma, itn. t. e. retko ke se
postignat toqno oqekuvanite teoriski rezultati.
Razgleduvame obeleje X na nekoja populacija i neka
E1, E2, ..., Er
se monite modaliteti na obelejeto. Zemen e sluqaen primerok i
neka vo toj primerok modalitetot E1 se pojavil f1 pati, modalite-
tot E2 se pojavil f2 pati,. . . , modalitetot Er se pojavil fr pati, t.
e. empiriskite qestoti na modalitetite E1, E2, ..., Er, vo dadeniot
primerok, se f1, f2, ..., fr, soodvetno. Nultata hipoteza se odnesuva
na oqekuvanata raspredelba na modalitetite na razgleduvanoto
obeleje, a testot treba da pokae dali empiriskata raspredelba
na primerokot znaqajno se razlikuva od pretpostavenata (oqeku-
vanata) raspredelba. Po pretpostavka deka nultata hipoteza e
338 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
toqna, oqekuvanite (teoriskite) qestoti na modalitetite
E1, E2, ..., Er
spored pravilata na verojatnosta, se
f ′1, f
′2, ..., f
′r,
soodvetno. Dobivame tabela od sledniot vid:
Qestopati se postavuva praxanjeto dali empiriskite qestoti
znaqajno se razlikuvaat od oqekuvanite.
Nie ke go razgledame testot za proverka na hipotezite za ram-
nomerna raspredelba na obelejeto, t. e. ja razgleduvame nultata
hipoteza
H0: Modalitetite E1, E2, ..., Er imaat ednakva relativna qestota
π0 = 1r
nasproti alternativnata
H1: Modalitetite E1, E2, ..., Er imaat razliqni relativni qe-
stoti.
Vo ovie sluqai, proverkata se vrxi vrz osnova na otstapuvanja-
ta na empiriskite od oqekuvanite qestoti, t. e. na test-veliqina-
ta
χ2 =(f1 − f ′
1)2
f ′1
+(f2 − f ′
2)2
f ′2
+ ... +(fr − f ′
r)
f ′r
=r∑
i=1
(fi − f ′i)
2
f ′i
.
Vrednosta na χ2 e 0 samo vo sluqaj na identiqnost na em-
Matematika II (za studenti po biologija) 339
piriskite so oqekuvanite qestoti. No, vo praksa, poradi sluqajni
faktori ne moeme da oqekuvame vakva identiqnost, duri ni koga
postavenata nulta hipoteza e toqna. Ako nultata hipoteza e toqna
razlikata megu empiriskite i oqekuvanite qestoti ke bide mala,
no do koga ke smetame deka dobienata razlika megu empiriskite i
oqekuvanite qestoti ne e statistiqki znaqajna zavisi od nivoto
na znaqajnost na testot, α, koe odnapred sme go izbrale. Kako
i dosega se opredeluvaat kritiqni toqki i kritiqen domen. Vo
sluqajot kritiqnata toqka e χ2r−1;α, xto ja qitame vo tabelata II,
a kritiqniot domen e mnoestvoto B = (χ2r−1;α,∞).
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot χ2,
kade
χ2 =
r∑
i=1
(fi − f ′i)
2
f ′i
,
pripaga na mnoestvoto B = (χ2n−1;α,∞), odnosno ako χ2 > χ2
r−1;α.
Pritoa, verojatnosta na grexkata od prv tip ne e pogolema od α.
Vo sprotivno nultata hipoteza ne treba da se otfrli i dobienoto
otstapuvanje na empiriskite od teoriskite (oqekuvanite) qestoti
ne e statistiqki znaqajno i e rezultat na sluqajni faktori.
Primer. Vo agencijata za vrabotuvanje na R. Makedonija, evi-
dentirani se site lica koi se nevraboteni i nivnata obrazovna
podgotvenost. Obrazovnata podgotvenost e podelena vo 4 kate-
gorii: niska, sredna, vixa i visoka. Zemen e primerok od 2400
nevraboteni lica i ispitana e nivnata obrazovna podgotvenost.
Dobieni se slednite rezultati:
Ispitaj, vrz osnova na podatocite od primerokot i pri nivo
na znaqajnost na testot α = 0, 05, dali uqestvoto na lica so niska,
340 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
sredna, vixa i visoka podgotvenost vo mnoestvoto na nevraboteni
lica e razliqno.
Rexenie. Vo ovoj sluqaj zadaqata e da se ispita dali raspre-
delbata na nevrabotenite lica spored obrazovnata podgotvenost
se razlikuva od oqekuvanata, ramnomerna raspredelba samo vo
granicite na sluqajnite faktori. Ovde populacijata ja soqinu-
vaat nevrabotenite lica vo R. Makedonija, obelejeto e X: obra-
zovnata podgotvenost na nevrabotenite lica. Ova obeleje ima
4 modaliteti: E1-visoka obrazovna podgotvenost, E2-vixa obra-
zovna podgotvenost, E3-sredna obrazovna podgotvenost, E4-niska
obrazovna podgotvenost. Nultata i alternativnata hipoteza se:
H0: Modalitetite E1, E2, E3, E4 imaat ednakva relativna qestota
π0 = 14;
H1: Modalitetite E1, E2, E3, E4 imaat razliqni relativni qe-
stoti.
Ako nultata hipoteza e toqna, oqekuvanite qestoti se megusebno
ednakvi i iznesuvaat 24004
= 600. Sega ja postavuvame tabelata na
empiriski i oqekuvani qestoti:
Togax
χ2 =4∑
i=1
(fi − f ′i)
2
f ′i
=(−40)
2
600+
(−30)2
600+
602
600+
102
600= 10, 33.
Kritiqnata vrednost, pri nivo na znaqajnost na testot α =
0, 05, e χ24−1;0,05 = 7, 815. Bideji χ2 = 10, 33 > 7, 815 = χ2
4−1;0,05,
zakluquvame deka nultata hipoteza treba da se otfrli, t. e.
prifakame deka uqestvoto na lica so niska, sredna, vixa i visoka
Matematika II (za studenti po biologija) 341
podgotvenost vo mnoestvoto na nevraboteni lica ne e ednakvo.
Pritoa, verojatnosta za grexkata od prv tip ne e pogolema od α.
4.27.2 Tabeli na kontingencija
Qestopati vo praktika se javuvaat zadaqi za ispituvanje na za-
visnosta na modalitetite na dve obeleja na nekoja populacija,
od koja se zema primerok. Taka, moe da se postavi zadaqa da se
ispita dali uspehot na uqenicite na priemnite ispiti za upis na
fakultet zavisi od nivniot uspeh vo sredno uqilixte, potoa dali
brojot na deca vo semejstvoto vo nekoja drava zavisi od proseq-
nite primanja vo semejstvoto, dali soobrakajnite nezgodi zavisat
od starosta na vozaqite itn. Testovite so koi se proveruva neza-
visnosta na modalitetite na dve obeleja na nekoja populacija,
vo osnova se sliqni so testovite za soglasnost na empiriskite i
oqekuvanite qestoti. Vo prodolenie ke ja objasnime postapkata
na proverka na vakov vid na hipotezi.
Razgleduvame dve obeleja X i Y na nekoja populacija i neka
E1, E2, ..., Er se monite modaliteti na obelejeto X, a E′1, E
′2, ..., E
′k
se monite modaliteti na obelejeto Y . So Eij ja oznaquvame ij-ta
kombinacija na modalitetite na dvete obeleja, t. e. modalitetot
Ei na obelejeto X i modalitetot E′j na obelejeto Y . Zemen e
sluqaen primerok i neka vo toj primerok Eij se pojavil fij pati
t. e. empiriskata qestotita na Eij vo dadeniot primerok, e fij, za
site i ∈ 1, 2, ..., r , j ∈ 1, 2, ..., k. Ja dobivame slednata tabela:
342 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Vo tabelata 2 dadeni se empiriskite qestoti na Eij. Neka
postavime nulta hipoteza
H0: Modalitetite na obelejata X i Y se megusebno nezavisni;
nasproti alternativnata hipoteza
H1: Modalitetite na obelejata X i Y se megusebno zavisni.
Pri toqna nulta hipoteza, treba da se presmetaat oqekuvanite
qestoti na Eij, a potoa da se napravi tabela sliqna na tabela 1.
Ponatamu, postapkata e kako i kaj prethodniot test.
Oqekuvanite qestoti se presmetuvaat na sledniot naqin:
f′11 =
f1∗f∗1N
, f′12 =
f1∗f∗2N
, ..., f′1k =
f1∗f∗k
N;
f′21 =
f2∗f∗1N
, f′22 =
f2∗f∗2N
, ..., f′2k =
f2∗f∗k
N
...
f′r1 =
fr∗f∗1N
, f′r2 =
fr∗f∗2N
, ..., f′rk =
fr∗f∗k
N.
Opxto:
f′ij =
fi∗f∗j
N
za site i ∈ 1, 2, ..., r , j ∈ 1, 2, ..., k , t. e. oqekuvanite qestoti se
presmetuvaat preku zbirovite vo tabela 2.
Otkako ke se presmetaat
f ′ij =
fi∗f∗j
N
za site i ∈ 1, 2, ..., r , j ∈ 1, 2, ..., k, se pravi slednata tabela:
Matematika II (za studenti po biologija) 343
Tabelite od vidot 3, vo koixto se dadeni empiriskite i oqeku-
vanite qestoti na Eij, za site i ∈ 1, 2, ..., r , j ∈ 1, 2, ..., k se
narekuvaat tabeli na kontingencija.
Vo sledniot qekor se presmetuva zbirot na site broevi od ob-
likot(fij − f ′
ij)2
f ′ij
t. e. se presmetuva brojot
χ2 =r∑
i=1
k∑
j=1
(fij − f ′ij)
2
f ′ij
.
Pri odbrano nivo na znaqajnost na testot α, postoi edna kri-
tiqna vrednost, toa e brojot χ2N ;α, kade N = (r − 1) (k − 1), kojxto
se qita od tablicata II, dadena na krajot na uqebnikot. Koneqno,
kritiqniot domen e mnoestvoto B = (χ2N ;α,∞).
Zakluqok. Nultata hipoteza treba da se otfrli ako brojot χ2,
kade
χ2 =r∑
i=1
k∑
j=1
(fij − f ′ij)
2
f ′ij
pripaga na mnoestvoto B = (χ2N ;α,∞), kade N = (r − 1) (k − 1),
odnosno ako χ2 > χ2N−1;α. Pritoa, verojatnosta na grexkata od
prv tip ne e pogolema od α. Vo sprotivno nultata hipoteza ne
treba da se otfrli i dobienoto otstapuvanje na empiriskite od
teoriskite (oqekuvanite) qestoti ne e statistiqki znaqajno i e
rezultat na sluqajni faktori.
Primer. So cel da ispitame dali uspehot na uqenicite na
344 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
priemen ispit na fakultet e zavisen od nivniot uspeh vo sredno
uqilixte, zemen e sluqaen primerok na 500 kandidati koixto
go poloile priemniot ispit na razni fakulteti. Uspehot na
uqenicite vo sredno uqilixte, a i na priemniot ispit, e pode-
len vo tri kategorii: odliqen, mnogu dobar i dobar, spored
odredeni principi. Po utvrduvanjeto na uspehot vo srednoto
uqilixte i uspehot na priemniot ispit na sekoj od kandidatite
vo primerokot, dobieni se slednite rezultati:
Pri nivo na znaqajnost na testot α = 0, 05, proveri ja hi-
potezata deka uspehot na uqenicite na priemen ispit zavisi od
nivniot uspeh vo sredno uqilixte.
Rexenie. Vo naxiot primer, populacijata ja soqinuvaat kan-
didatite koi xto polagale priemen ispit na site fakulteti. Obe-
lejeto X e uspehot na uqenicite vo sredno uqilixte i ima tri
modaliteti: odliqen, mnogu dobar i dobar, a obelejeto Y e uspe-
hot na kandidatite na priemniot ispit, i toa ima tri modaliteti:
odliqen, mnogu dobar i dobar.
Postavuvame nulta hipoteza
H0: Modalitetite na obelejata X i Y se megusebno nezavisni;
nasproti alternativnata hipoteza
H1: Modalitetite na obelejata X i Y se megusebno zavisni.
Vo sledniot qekor gi presmetuvame oqekuvanite qestoti:
f′11 =
f1∗f∗1N
=200 · 220
500= 88, f
′12 =
f1∗f∗2N
=200 · 130
500= 52,
Matematika II (za studenti po biologija) 345
f′13 =
f1∗f∗3N
=200 · 150
500= 60
f′21 =
f2∗f∗1N
=200 · 220
500= 88, f
′22 =
f2∗f∗2N
=200 · 130
500= 52,
f′23 =
f2∗f∗3N
=200 · 150
500= 60
f′31 =
f3∗f∗1N
=100 · 220
500= 44, f
′32 =
f3∗f∗2N
=100 · 130
500= 26,
f′33 =
f3∗f∗3N
=100 · 150
500= 30.
Sega ja popolnuvame tabelata na kontingencija:
Vo sledniot qekor go presmetuvame zbirot na site broevi od
oblikot (fij−f ′ij)
2
f ′ij
, pa brojot
χ2 =r∑
i=1
k∑
j=1
“
fij−f′ij
”2
f ′ij
= (150−88)2
88+ (50−88)2
88+ (20−44)2
44+
+ (30−52)2
52+ (80−52)2
52+ (20−26)2
26+ (20−60)2
60+ (70−60)2
60+ (60−30)2
30= 185, 16.
Pri odbranoto nivo na znaqajnost na testot α = 0, 05, postoi
edna kritiqna vrednost, toa e brojot χ2N ;α, kade
N = (r − 1) (k − 1) = (3 − 1) (3 − 1) = 4
346 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
pa χ2N ;α = χ2
4;0,05 = 9, 488. Bidejki
χ2 = 185, 16 > 9, 488 = χ2N−1;α
zakluquvame deka nultata hipoteza treba da se otfrli, t. e.
prifakame deka uspehot na uqenicite na priemen ispit na fakul-
tet e zavisen od nivniot uspeh vo sredno uqilixte.
Matematika II (za studenti po biologija) 347
4.28 Statistiqki tablici
348 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Matematika II (za studenti po biologija) 349
350 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Matematika II (za studenti po biologija) 351
352 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Matematika II (za studenti po biologija) 353
354 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Matematika II (za studenti po biologija) 355
356 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
Matematika II (za studenti po biologija) 357
358 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
LITERATURA
[1] D. Dimitrovski, Matematika (uqebnik za 4 godina na bio-
tehniqka struka), Prosvetno delo, Skopje, 1987.
[2] D. Dimitrovski, V. Manova-Erakovik, G. Markoski, Mate-
matika I (za studentite po biologija), UKIM, Skopje, 2015.
[3] V. Djolevic, Primenjena statistika, IDP Naucna Knjiga, Beograd,
1993.
[4] M. Goldman, Introduction to probability and statistics, Harcourt,
Brace & World, inc. 1970, New York.
[5] N. Ivanovski, Matematiqka analiza I, Skopje, 1981
[6] Z. Lipschutz, Schaum’s outline series of theory and problems of prob-
ability, McGraw-Hill int. book company,1974, New York.
[7] R. Malqeski, S. Malqeski, Statistika za biznis i ekonomija,
FON, 2010.
[8] J. Mitevska, V. Manova-Erakovik, L. Gribovska-Popovik,
F. Mitruxeva, Matematika za IV godina na reformirano gim-
nazisko obrazovanie, Prosvetno delo, Skopje, 2004.
[9] M. Orovqanec, Matematika, Skopje, 2002
[10] M. Orovqanec, B. Krsteska, V. Manova-Erakovik, G. Mar-
koski, Zbirka rexeni zadaqi po matematiqka analiza I, UKIM,
Skopje, 2015
[11] M. Orovqanec, B. Krsteska, V. Manova-Erakovik, G. Mar-
koski, Zbirka rexeni zadaqi po matematiqka analiza II, UKIM,
Skopje, 2015
[12] N. Pandeski, Matematiqka analiza I, Skopje, 2000.
[13] N. Xekutkovski, Matematiqka analiza I, Skopje, 2008
[14] M. R. Spiegel, Schaum’s outline series of theory and problems of
statistics, McGraw-Hill int. book company, 1972, New York.
[15] B. Trpenovski, Elementaren uvod vo teorijata na verojat-
nosta, NIO Studentski zbor, Skopje, 1982.
[16] B. Trpenovski, Elementaren uvod vo teorijata na verojat-
nosta, Matematiqki institut so numeriqki centar pri UKIM,
Skopje, 1969.
Matematika II (za studenti po biologija) 359
[17] M. Zizic, M. Lovric, D. Pavlicic, Matodi statisticke analize, uni-
verzitet u Beogradu, Ekonomski fakulet, Beograd, 1995.
360 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
SODRINA
PREDGOVOR 3
1 INTEGRALNO SMETANjE 5
1.1 Neopredelen integral . . . . . . . . . . . . . . . . . . . 5
1.1.1 Primitivna funkcija i neopredelen integral 5
1.1.2 Tablica na nekoi osnovni integrali . . . . . 9
1.1.3 Integriranje so metod na zamena . . . . . . . . 10
1.1.4 Integriranje so metod na parcijalna inte-
gracija . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.1.5 Presmetuvanje na nekoi vani tipovi inte-
grali . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.2 Opredelen integral . . . . . . . . . . . . . . . . . . . . 34
1.2.1 Opredelen integral kako narasnuvanje na
primitivna funkcija . . . . . . . . . . . . . . . . 34
1.2.2 Opredelen integral kako graniqna vrednost
na zbir . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2.3 Svojstva na opredelen integral . . . . . . . . . 37
1.2.4 Geometrisko znaqenje na opredeleniot in-
tegral . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.2.5 Primena na opredelen integral . . . . . . . . . 40
1.3 Nesvojstven integral . . . . . . . . . . . . . . . . . . . . 42
2 DIFERENCIJALNI RAVENKI 47
2.1 Opxti poimi na obiqni diferencijalni ravenki . 47
2.1.1 Definicija na obiqni diferencijalni ravenki 47
2.1.2 Integrali na diferencijalni ravenki . . . . 51
361
362 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
2.1.3 Formiranje na diferencijalna ravenka . . . . 52
2.2 Obiqni diferencijalni ravenki od prv red . . . . 54
2.2.1 Metod na razdvojuvanje na promenlivite . . . 54
2.2.2 Homogena diferencijalna ravenka od prv red 57
2.2.3 Linearna diferencijalna ravenka od prv red 58
2.2.4 Bernulieva diferencijalna ravenka . . . . . . 60
3 ELEMENTARNA KOMBINATORIKA I VEROJAT-
NOST 63
3.1 Elementarna kombinatorika . . . . . . . . . . . . . . . 63
3.1.1 Voved . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.1.2 Dva osnovni principa vo kombinatorikata . 63
3.1.3 Voveduvanje na dvata osnovni poimi vo kombinatori-
kata: permutacija i kombinacija . . . . . . . . 66
3.1.4 Varijacii i presmetuvanje na broj na site
varijacii na dadeno mnoestvo . . . . . . . . . 68
3.1.5 Permutacii i presmetuvanje broj na site
permutacii na dadeno mnoestvo . . . . . . . . 69
3.1.6 Kombinacii i presmetuvanje broj na site
kombinacii na dadeno mnoestvo . . . . . . . . 71
3.2 Teorija na verojatnost . . . . . . . . . . . . . . . . . . . 72
3.2.1 Sluqaen eksperiment. Sluqaen nastan . . . . 72
3.2.2 Statistiqka verojatnost . . . . . . . . . . . . . . 78
3.2.3 Prostor od elementarni nastani . . . . . . . . 80
3.2.4 Aksiomi na verojatnost . . . . . . . . . . . . . . 84
3.2.5 Klasiqna definicija na verojatnost . . . . . . 86
3.2.6 Geometriska verojatnost . . . . . . . . . . . . . . 88
3.2.7 Uslovna verojatnost i nezavisnost na nastani 92
3.2.8 Totalna verojatnost. Formula na Bajes . . . . 96
3.2.9 Serii od nezavisni eksperimenti . . . . . . . 100
3.2.10 Sluqajna promenliva . . . . . . . . . . . . . . . . 104
4 STATISTIKA 155
4.1 Odnosot na teorijata na verojatnosta i matem-
atiqkata statistika . . . . . . . . . . . . . . . . . . . . . 155
Matematika II (za studenti po biologija) 363
4.2 Za raznovidnosta na zadaqite na matematiqkata
statistika . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.3 Statistiqka masa. Egzemplar . . . . . . . . . . . . . . 160
4.4 Nekoi naqini na formiranje na egzemplari . . . . . 164
4.5 Biometrija - statistika na biotehniqkite nauki . 167
4.6 Biometriski podatoci, osnoven tretman . . . . . . . 169
4.7 Frekvencija. Statistiqka raspredelba
na frekvenciite . . . . . . . . . . . . . . . . . . . . . . . 176
4.8 Grafici na raspredelba . . . . . . . . . . . . . . . . . . 180
4.8.1 Empiriska funkcija na raspredelba . . . . . . 180
4.9 Statistiqki nizi. Histogram . . . . . . . . . . . . . . 184
4.10 Sredini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
4.10.1 Potreba za voveduvanje sredini . . . . . . . . . 188
4.10.2 Aritmetiqka sredina. Prosek . . . . . . . . . . 190
4.10.3 Momenti. Masa na eksperimentot.
Opxta formula za aritmetqkata sredina . . 191
4.10.4 Dobri i loxi strani na aritmetiqkata sre-
dina . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
4.11 Geometriska sredina . . . . . . . . . . . . . . . . . . . . 198
4.11.1 Harmoniska sredina . . . . . . . . . . . . . . . . . 203
4.11.2 Drugi vani poimi vo vrska so sredini . . . 204
4.11.3 Otstapuvanje od aritmetiqka sredina . . . . . 206
4.12 Standardna devijacija. Definicija i formula . . 209
4.13 Koeficient na varijacija . . . . . . . . . . . . . . . . . 216
4.14 Normalna raspredelba vo praktikata . . . . . . . . . 222
4.15 Standardna grexka i metod na odbrani primeroci 244
4.16 Poim za korelacija . . . . . . . . . . . . . . . . . . . . . 251
4.17 Stohastiqki procesi. Linearna korelacija . . . . . 257
4.18 Momenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
4.19 Metod na najmali kvadrati . . . . . . . . . . . . . . . . 268
4.20 Koeficient na korelacija . . . . . . . . . . . . . . . . . 276
4.21 Proverka na statistiqki hipotezi . . . . . . . . . . . 280
4.22 Metodi na statistiqko zakluquvanje . . . . . . . . . . 282
364 Dragan Dimitrovski, Vesna Manova-Erakovik, Gorgi Markoski
4.23 Hipoteza: Nulta i alternativna, prosta i sloena.
Grexki. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
4.24 Izbor na test veliqina (test statistika). Kritiqen
domen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
4.25 Testovi za proseqna vrednost . . . . . . . . . . . . . . 297
4.25.1 Test za matematiqkoto oqekuvanje pri poz-
nata disperzija (Z -test) . . . . . . . . . . . . . 297
4.25.2 Test za matematiqko oqekuvanje pri nepoz-
nata disperzija (t - test) . . . . . . . . . . . . . 307
4.25.3 Test za ednakvost na matematiqki oqeku-
vanja pri poznati disperzii . . . . . . . . . . . 312
4.25.4 Test za ednakvost na matematiqki oqeku-
vanja
pri nepoznati disperzii . . . . . . . . . . . . . 317
4.26 Testovi za disperzija . . . . . . . . . . . . . . . . . . . . 322
4.26.1 Test za vrednosta na disperzijata . . . . . . . 323
4.26.2 Test za ednakvost na disperzii . . . . . . . . . 327
4.27 Test za nezavisnost na obeleja . . . . . . . . . . . . . 337
4.27.1 Test za soglasnosta na empiriskite so oqeku-
vanite qestoti . . . . . . . . . . . . . . . . . . . . 337
4.27.2 Tabeli na kontingencija . . . . . . . . . . . . . 341
4.28 Statistiqki tablici . . . . . . . . . . . . . . . . . . . . 347
LITERATURA 358
Matematika II (za studenti po biologija) 365
So odluka broj 02-374/6 od 10.5.2017 godina na Nastavno-na-
uqniot sovet na Prirodno-matematiqkiot fakultet vo Skopje se
odobruva koristenjeto na ovaa kniga kako univerzitetski uqebnik.
Nitu eden del od ovaa publikacija ne smee da bide reproduci-
ran na bilo koj naqin bez prethodna pismena soglasnost na av-
torite.
E-izdanie:
http://www.ukim.edu.mk/mk content.php?meni=53&glavno=41